深度学习,特别是卷积神经网络,已经成为了计算机视觉很多领域的最佳解决方案。深度神经网络模型的主要缺点在于其庞大的计算量与参数数量,这在一定程度上限制了深度学习在一些资源受限设备（例如手机或嵌入式设备）上的应用。所谓资源受限,指的是某一特定任务必须在有限资源供应的情况下完成计算,包括但不限于计算时间、存储开销、能源消耗等。这些小型设备对于模型的计算速度和体积都有着严格的要求。因此,如何加快深度模型的运算速度,降低参数数量成为了计算机视觉领域的重要研究课题。另一方面,很多研究表明深度网络存在着严重的过参数化现象,即模型的参数是冗余的。这在一定程度上给模型压缩提供了理论支持。本文认为滤波器级别的剪枝算法是加快神经网络计算速度,降低内存开销的有效技术手段。针对网络剪枝领域的若干重要问题,我们开展了一系列探索,本文所涉及的主要工作包括:1.一种基于重构误差最小化的滤波器剪枝算法:Thi Net。针对以往剪枝算法多为启发式的缺点,我们将模型的剪枝过程形式化地建模为了一个优化问题,并提出了一种贪心算法来更快更好地求解该优化问题。我们发现如果能最小化下一层网络输出的重构误差,移除当前层相应的滤波器就不会对网络的最终精度造成严重的影响。另一方面,为了进一步降低网络的存储开销,我们提出了一种基于通道混合操作的算法（gcos算法）来解决因分组卷积造成的信息阻塞问题,有效避免了精度下降。实验结果表明,Thi Net在多个数据集上超过了以往的启发式剪枝算法,其模型具有良好的泛化性能。2.一种可端到端训练的滤波器剪枝算法:Auto Pruner。针对以往三阶段剪枝算法过于依赖人工设计的剪枝标准的问题,我们提出了一个新的网络模块Auto Pruner。该模块以卷积层的输出张量为输入,通过一系列运算得到一个唯一的索引向量。在模型微调过程中,该索引向量的值将会逐渐变为二值,从而实现更加平滑的剪枝操作。训练完成后,二值向量中所有零元素所对应的滤波器与通道将会被移除,而这并不会影响模型的精度。实验结果表明,Auto Pruner算法显著优于以往的三阶段剪枝算法。3.一种针对残差连接与数据受限的剪枝算法:CURL。针对如何更好地剪枝残差结构以及如何在小数据集上进行网络剪枝的问题,我们提出了一种新的模型剪枝方案CURL。对于残差结构,我们认为同时剪除残差块的中间与输出维度能够实现更好的压缩性能。为了能够直接在小数据集上进行网络剪枝,我们使用若干图像变换技术来扩充原始的小数据集,并使用知识蒸馏技术来微调剪枝后的模型。由于扩充后的数据集存在噪声,我们提出了一种标记细化的方案来同时对知识蒸馏的软标记进行更新。实验结果表明,我们提出的CURL算法有效地解决了以上两个问题,大大降低了剪枝算法的实际应用难度。