深度学习在图像识别、机器视觉、自然语言处理等领域取得了巨大的成功,解决了很多复杂的难题,使人工智能技术取得了革命性的突破。然而,复杂的深度模型日益出现“膨胀”的趋势,模型越来越大、越来越复杂,对计算力要求也越来越高。如何有效地减少复杂模型的参数量和推理时间成为目前人工智能亟待解决的关键问题。特别是深度模型在在线学习、增量学习等实时应用与移动手机、可穿戴设备等这些边缘人工智能设备上的实施与部署,如何在这些设备上实现深度模型的压缩与加速成为模型压缩的主要目标。目前,研究者已经提出大量的模型压缩方法,例如:剪枝、知识蒸馏、模型架构设计等。本文重点关注过滤器剪枝,它是一种结构化的剪枝,相比于非结构化剪枝它可以在成熟的深度学习框架下运行。但目前大多数工作都依赖于预先训练的模型,需要微调来恢复合理的精度,从而导致模型大量的再训练成本。因此本文针对目前传统过滤器剪枝方法存在的自适应性差、需要人工干涉的问题,深入研究了深度模型的冗余性,分别从关联关系与信息论的角度设计了自适应过滤器剪枝算法。主要研究工作如下:（1）基于核中心对齐的自适应过滤器剪枝方法。为了缓解剪枝过程中模型过度依赖预先训练模型、减少模型的再训练成本的问题。与先前的工作不同,本文从关联关系的角度解释了过滤器在训练过程中的行为变化规律,并利用该变化规则提出了一种新的过滤器修剪方法。该方法可以在神经网络训练后期修剪相似功能的过滤器。根据这种策略,本文不仅可以在不进行微调的情况下实现模型压缩,而且还找到了一种新颖的视角来解释训练过程中过滤器的行为变化规律。更重要的是,本文的方法已被证明在许多CNN模型上是有效的。（2）基于熵与互信息的软自适应过滤器剪枝方法。首先,本文通过分析多数文献发现,大多数文章只从一个角度权衡过滤器的重要程度,比如分析单个过滤器对模型的贡献,多个过滤器之间的协同作用。本文对两种方式进行了集成,提出了利用熵与互信息对过滤器重要程度进行评价的范式,并分析了其相对于现有指标的优势。其次,本文创新性地提出了基于正则化的软过滤器剪枝规则,该算法利用不同过滤器捕获不同特征的思想,使得每次迭代修剪的过滤器在进行下一次权值更新时,与剩余过滤器正交的进行初始化,该方法有效提高了算法的泛化性。最后本文提出的基于熵与互信息的软自适应过滤器剪枝算法在多个数据集和多个模型上进行了实验,实验结果表明了该算法的优异性。综上所述,本文针对现有的过滤器剪枝算法存在的效率低、需要人工干涉的问题,从两个角度提出自适应过滤器剪枝算法,并在现有的公开数据集上验证了所提方法的性能。本文的研究为剪枝领域提供了新的视角与方法,在模型压缩领域有一定的理论与应用价值。