随着深度学习的日益发展,各种神经网络模型被设计和搜索出来,大量网络模型广泛地应用在图像分类任务中。特别地,网络结构对于模型的最终表现是关键且重要的,特殊的网络结构往往会使得模型产生奇特的效果,因此人们对于寻找新型网络结构的需求变得迫切起来。然而,很多神经网络模型的结构是人为设计出来的,其中模型架构的设计过程需要先验的经验和高水平的知识作为支撑,较为费时费力,而且人为的经验在一定程度上会限制网络结构的创新性和多样性,从而模型在任务中的相关表现易被局限。为了缓解这些问题,近些年来,神经网络结构自动设计和搜索开始激起人们的兴趣,通过自动修改或者寻找模型的结构,产生的神经网络模型在相关任务中一般会达到更高的计算效率或者更优秀的准确率。本文将通过对神经网络模型进行自动裁剪和搜索以探索新的网络架构,提高模型在图像分类任务上的表现。本文首先着眼于自动精简化神经网络模型,探索计算友好型神经网络架构。近年来,神经网络模型越来越复杂,需要的存储和计算资源越来越多,然而模型中往往存在大量冗余的连接。现有的裁剪方法分为细粒度裁剪方法和粗粒度裁剪方法,细粒度裁剪使得模型的稀疏矩阵计算不规则,计算效率没有得到显著提升,而粗粒度裁剪方法一般针对卷积网络的特有结构,对于普通的神经网络如全连接网络缺少对粗粒度裁剪结构的设计方法。为此本文提出了一种针对全连接结构的块状裁剪方法以压缩和简化神经网络模型结构,然后将裁剪后的块状稀疏权重矩阵利用块稀疏行（Block Sparse Row,BSR）稀疏矩阵存储格式存储,提高了计算速度。该方法自动裁剪模型中不重要的连接,形成了新颖的块状稀疏神经网络结构,这种规则性分布的稀疏结构对模型权重矩阵的计算较友好。实验表明该方法在不损失准确率的同时还能减少模型的存储空间,加快模型的计算速度,同时与其他裁剪模型对比具有优势。近年来,神经网络架构搜索（Neural Architecture Search,NAS）领域逐渐流行了起来。NAS将网络架构工程自动化,可以搜索出更加多样化的神经网络结构,减少了人工设计结构的成本。但传统NAS方法的搜索空间过大,而且搜索过程和方法较复杂,对算力的要求过高。为了缓解这一问题,本文利用NAS思想,采用一种简单直接的局部搜索策略,在骨干网络的基础上自动搜索神经网络架构,在搜索过程中通过对骨干网络中的算子进行逐步替换来获得新型的网络结构。实验结果表明,本文提出的自动搜索方法简洁有效,较好地实现了对新颖神经网络结构的探索,而且搜索出的创新网络架构在图像分类任务上产生了具有竞争力的精度。