深度卷积神经网络（CNNs）的强大性能是依赖于其庞大的参数量和计算量而产生的,但是这两个特点反而成为了限制卷积神经网络的进一步发展的瓶颈。近年来,越来越多的研究关注如何对卷积神经网络进行压缩与加速。目前的神经网络压缩与加速方法大多采用直观的压缩方案,没有去理解神经网络的内部原理,挖掘冗余性存在的原因和位置。因此,本文提出压缩神经网络前应先分析其内部的工作原理和机制,并基于神经网络的可解释部分来进行神经网络的压缩和加速,使得设计出来的算法能够更加贴合神经网络的本质。具体的研究内容和创新点如下:（1）基于权重核稀疏度与密度熵的神经网络压缩方法。本文从可解释的角度对卷积神经网络的压缩问题进行分析,发现决定网络中特征重要性的因素有两个:稀疏度与信息丰富度。但是直接计算这两者需要较大的时间开销,为了能够加速压缩算法的流程,本文探究了卷积层中输入特征通道与对应权重核之间的关系,从而提出了无需数据,仅基于权重核稀疏度与密度熵的指标来计算输入特征的重要性。然后,本文使用了核聚类算法来减少每个输入特征通道对应权重核的数量。该方法相比于之前的压缩算法达到了更高的性能。（2）基于网络结构解耦的神经网络加速方法。根据神经网络的内部工作机制,本文发现滤波器对不同的输入拥有不同的响应,静态剪枝实际上并不完全适合神经网络的内部工作机制,因此本文采用动态剪枝算法来加速网络。首先,本文设计了一种结构编码模块,用于插入网络中各个卷积层里,该模块能够动态决定哪些滤波器被激活。之后,通过最大化结构编码向量与输入图片属性的互信息,网络结构能够被逐渐解耦,每个输入仅使用部分滤波器参与计算,从而达到加速效果。同时,为了进一步提高神经网络的表征能力和减少计算时间,本文限制卷积层中滤波器的输出并稀疏度结构编码向量减少参与计算的滤波器数量。该方法能够在保证性能的情况下达到有效的实际加速效果。