近年来,深度神经网络在众多人工智能问题上展现了优异的性能。与此同时,物联网、边缘计算等领域的研究也逐步走向应用。深度学习与物联网、边缘计算等领域的结合将极大地提高社会生产力。但以深度神经网络为载体的深度学习技术对硬件资源提出了很高的要求,在现有的资源受限设备上难以部署。为了深度学习应用的普及,对深度神经网络进行加速和压缩,降低其对资源和时间的消耗,已成为非常重要的研究课题。因此,本文在低秩近似与通道剪枝方法的基础上,围绕深度神经网络的加速、压缩与评价方法进行研究并完成以下工作:首先,本文提出了通道剪枝过程的数学模型。该数学模型指出滤波器的大小是限制通道剪枝的瓶颈,并且缩小滤波器尺寸能够改善通道剪枝的性能。由此本文提出了“解稱-拉伸”的通道剪枝方法,先对滤波器执行“解耦-拉伸”获得滤波器较小、结构更深的网络,再执行通道剪枝。消融实验和硬件仿真实验验证了本文提出的“解耦-拉伸”方法对通道剪枝的性能有所提升。接着,本文进一步提出了结合低秩近似的通道剪枝方法,能从数学的角度更好地消除滤波器内的冗余。先针对待加速的网络进行低秩近似,获得主要的加速增益;再实施通道剪枝,获得主要的压缩增益。此外,本文又提出一种新的秩选择指标,用于更好地平衡低秩近似步骤和通道剪枝步骤。消融实验和硬件仿真实验验证了本文提出的结合低秩近似的通道剪枝方法优于单独使用的低秩近似和通道剪枝方法。最后,本文提出一种对拟合曲线积分的评价指标,能对不同加速压缩算法的效率进行较全面合理的评价。实验验证了该指标的合理性和必要性。另外,利用该指标对本文提出的两种加速压缩方法和基线算法进行比较,证实了本文加速压缩方法的性能提升。