近些年来,由于深度神经网络（尤其是卷积神经网络,CNN）的发展,全世界见证了各类计算机视觉任务的成功,例如图像分类、目标检测以及视频分割等等。但是,随着视觉任务的日益发展,所需的模型结构愈来愈复杂,这给训练设备带来了沉重的存储负担。在实际应用中不可能将这些大型高性能模型直接嵌入资源受限的平台中,这将鼓励卷积神经网络模型朝着具有较小的内存和计算成本的方向发展,以便在不影响任务性能的情况下进行快速推断。一般来说,卷积神经网络在硬件部署时主要受到模型大小、运行内存和计算操作数量的限制。由于卷积神经网络的计算成本很大程度上由卷积运算所决定,而卷积运算恰好为网络权值和激活值之间的点积。因此,模型中参数的数量对于上述三个因素至关重要。本文针对深度卷积网络压缩和加速,围绕权值和激活值量化、通道裁剪和共享等任务展开相关研究工作,论文的主要研究成果包括以下几个方面:（1）提出了一种基于最小二乘法的网络权值量化方法,在一定程度上弥补了传统二值网络或者三值网络中常见的精度退化问题。该方法采用最小二乘法使得量化后的网络低比特权值与原始浮点型权值的误差尽可能小。实验表明,所提方法不仅实现了网络的低比特量化,也实现了通道裁剪,从而优化了网络结构且进一步压缩了模型大小和减少训练所需计算力。（2）提出了一种基于谱聚类的稀疏量化方法来量化网络权值并同时紧凑化网络结构。所提方法不仅获得低比特量化网络,减少了内存和计算成本;同时从复杂的卷积网络中学习到了紧凑的结构（包含大量稀疏通道）,方便进行后续的通道裁剪（channel pruning）,从而较大程度减少了网络的参数量以及计算消耗。（3）提出了一个新颖的卷积神经网络训练框架,通过将权值离散约束与Sparse Group Lasso正则化相结合,可以同时实现通道裁剪和权值低比特量化。文中将此框架建模为离散约束问题,并通过乘数交替方向法（ADMM）来进行求解。与先前的方法不同,所提出的方法不仅减小了模型尺寸和计算操作,同时得到了稀疏而紧凑的网络结构。（4）提出了网络权值张量通道的稀疏和共享框架,该框架将权值量化与排序加权l1范数（OWL）相结合。特别地,与常规参数共享和量化方法不同,所提框架通过设置适当的超参数同时实现了参数稀疏性和通道稀疏性。此外,OWL还可以识别出四维权值张量中具有较强相关性的通道,并通过使用AP聚类算法来实现通道共享。（5）提出了基于高斯分布和离散状态转换的全网络量化方法,并解决两个相应的基本问题。一种是通过低位离散化来近似激活值,以降低网络计算成本和点积存储。另一个是为离散权值指定的权值量化和更新机制,以避免梯度失配。通过量化的低位权值和激活,将用移位操作代替昂贵的全精度操作,不仅减小了模型占据的内存,同时模型的计算消耗也将大幅下降。（6）提出了一种基于网络损失函数灵敏度的通道剪枝（channel slimming）方法。它针对网络的缩放和移位因子的泰勒展开技术来识别不重要的通道,并按固定的百分比阈值剪枝这些通道,获得参数和FLOPs消耗更少的紧凑型网络。在实验部分,文章在多个常见的网络（包括VGG-19,DenseNet-40和ResNet-164）上评估了该方法,实验结果表明,该方法可以剪枝70%以上的通道和参数,而性能几乎不受影响。此外,可以使用迭代剪枝来获得更紧凑的网络结构。