作为人工智能领域的佼佼者,深度学习技术在近十年来取得了长足的进步,在诸如计算机视觉、自然语言处理等多个领域成为了难以替代的主流算法。而随着卷积神经网络模型结构的日趋复杂化,模型压缩技术开始受到研究人员的广泛关注。网络剪枝作为模型压缩技术一个重要的研究方向,近年来成果显著。然而,本文调查发现,目前还较少有研究学者尝试将网络剪枝技术与进化算法相结合来进行模型压缩。这是因为进化算法较难嵌入到卷积神经网络中,且存在后续模型结构难以优化等问题。基于以上论述,为了拓展网络剪枝技术的研究思路,补充自动化的模型压缩方法,本文考虑将网络剪枝技术与目前比较成熟的进化算法——遗传算法进行结合,研究出一套基于遗传算法的卷积神经网络模型压缩技术。该技术使用遗传算法来对网络模型进行剪枝优化,并结合反向传播算法优化模型中的参数。遗传迭代的过程可以有效避免反向传播陷入局部最优,从而维持了模型的准确率,并大幅压缩与加速了卷积神经网络。压缩后的模型在模型规模、计算开销等指标上都较原模型有较大程度的降低,且算法不需要特定的计算库支持。实验证明本文提出的方法能够满足实际需要,实现了较好的模型压缩效果,同时大规模降低了模型的计算量,提升了模型的响应速率。本文的创新点如下:1、提出了一种基于组合通道剪枝的卷积神经网络模型分枝方法。该方法通过多次组合的通道剪枝方式及模型微调实现对网络模型的分枝处理,形成多分枝的网络结构,从而在保持模型精度的前提下降低模型的存储规模及计算开销。2、在多分枝神经网络模型的基础上,提出了一种基于遗传算法的多分枝神经网络剪枝技术。该技术通过遗传算法的优胜劣汰机制逐步汇聚多分枝神经网络中的优势分枝,淘汰劣势分枝,并辅以模型微调,以此来进一步实现对网络模型的有效压缩。