卷积神经网络在大量的传统机器学习任务上的表现超越传统方法,在实际生产生活中正得到广泛的运用,例如:图像分类、目标识别和生成模型等。然而,当前的先进网络往往具有较大的计算量,这限制了其在大量低成本、低功耗的边缘场景中的使用。同时,将面向复杂数据的模型直接应用到较小的数据集上,会不同程度地增加网络模型的冗余,甚至会因过拟合影响模型的泛化性能。网络压缩领域中的网络剪枝方法能以结构化的方式移除模型中的冗余子结构（如网络层、卷积层输出通道）是一种常见的模型压缩手段,但仍存在迭代调参较为复杂,不同子结构间显著度差异不明显等问题。针对以上问题,对网络压缩中的剪枝算法进行了改进研究,为此进行的主要工作和贡献如下:（1）提出了一种基于特征模板组的卷积神经网络压缩方法,对模型进行L0正则化以解决传统L1,L2范数正则化无法提供清晰的修剪边界的问题。利用半二次方分裂法（Half-Quadratic Splitting,HQS）对正则化约束进行变换,使得L0正则化的近似求解可以使用基于梯度的方法进行。实验表明,提出的方法可以显著扩大网络结构间的显著度差异,从而提升剪枝阈值选取的可信度,有利于减轻各层阈值选择的工作量。（2）对HQS的正则项进行了近似和推导,并据此提出了一套参数选择算法,对原先方法中的超参数进行重新定义。相较于原先的超参数集,重新定义后的参数集具有明显的物理意义,同时还降低了算法在不同模型和数据集上的调参难度。实验表明,大部分参数不需进行较大的变动就可在不同的数据和模型上取得较好的效果。（3）将此方法应用到航拍电力线语义分割模型上,对其在具体工程应用中的有效性进行了验证,并对模型压缩的常用工作流进行了完整展示。主要包括基线模型选择、数据增强、损失函数优化和模型压缩四大部分。实验结果显示,在参数变动较小的情况下,提出的方法极大地降低了轻量模型的浮点计算量和模型大小,同时保留了较为可观的模型性能。由上可知,提出的方法通过L0正则化的方式使得不同显著度的子结构之间尽量解耦,提供更大的显著度差异,有效降低了剪枝的调参工作量。在实际应用中,提出的方法表现出了较好的剪枝效果。