近年来,深度卷积神经网络（CNNs）在计算机视觉领域表现出色,同时计算机视觉等人工智能系统工程应用的需求也日益增长,对于神经网络压缩与加速的方法研究也日趋活跃。但是由于其过参数化的设计,卷积神经网络导致了网络模型巨大的参数量和昂贵的计算消耗,使得将模型部署到一些资源受限的设备的上变得非常困难,如嵌入式设备、移动手机等。如何在资源受限的设备上部署高可用、高可靠的网络模型,这成为了人工智能在现实生活中广泛应用的主要瓶颈。本文的主要研究课题为深度卷积神经网络模型的压缩与加速算法,重点研究了基于滤波器剪枝的压缩加速算法、剪枝后的模型容量的重建以及模型移动端的部署等,主要研究内容如下:1.研究一种基于特征图相似性的滤波器剪枝算法。与传统滤波器剪枝算法不同,本文不以滤波器所含信息的多少作为滤波器选择的评估标准,而是通过分析每一层卷积层输出特征图的相似性,利用空间距离来计算滤波器之间的差距,以此来评判特征图之间的相似性,从而选出最能被替代的滤波器来剪除。2.结合轻量化网络设计,提出了一种恢复模型容纳能力的剪枝后网络重建算法。传统的剪枝算法在剪枝后直接进行微调再训练恢复模型精度,但往往难以达到模型原有精度。本文认为主要原因是剪枝损伤了模型原有的容纳能力,因此本文提出了一种基于剪枝后剩余特征图的重建算法,利用轻量的操作在剩余特征图的基础上生成新的特征图拼接到原输出特征图,来恢复模型原有的容纳能力。实验结果表明,本文的剪枝算法在降低参数量和计算量的同时,能维持原模型的精度甚至提高精度,与目前一些优秀的剪枝算法对比,表现出了优异的性能。3.基于剪枝优化后模型的安卓移动端部署。利用深度学习移动端推理框架Pytorch Mobile和安卓应用开发框架Android Studio,将模型部署到安卓移动端,对比压缩优化后的模型与原模型的性能,验证本文算法的有效性,并实现高可用、高精度、高安全的离线图片识别系统原型及测试。