卷积神经网络近几十年有了很大的进展,性能越来越强劲,应用场景越来越多。但是与此同时,卷积神经网络的结构也变得越来越宽,越来越深,参数量越来越大,这对运行该卷积神经网络的设备的算力和内存资源也提出了要求。这种情况很大程度上阻碍了其实际应用。因此,对神经网络模型进行压缩,使得性能优异的神经网络模型也能在资源有限的条件下使用,这对于深度学习算法的应用意义重大。在本文中,我们提出了两个对卷积神经网络的结构化剪枝方法。一个是基于泰勒展开的数据驱动剪枝算法,另一个是基于注意力机制的剪枝算法。两个方法都是先度量卷积核的重要性,然后根据卷积核的重要性值以及裁剪比例确定剪枝后的结构。正是因为剪枝的单位是卷积核,所以两个方法都适用于现代卷积神经网络结构,不需要特殊的软硬件加速器。实验证明,两个方法都可以在几乎不影响精度的前提下,大大减少卷积神经网络的参数量。基于泰勒展开的数据驱动剪枝算法假设:某个参数对损失值的影响越大,就认定该参数越重要。基于该假设,我们使用泰勒展开近似逼近某个卷积核对损失值的影响,来确定该卷积核的重要性。由于卷积核的参数量多且数量不同,我们引入了门机制,将泰勒展开的对象从卷积核的全部参数简化为一个参数,如此得到了该卷积核对应通道的重要性度量,然后根据裁剪比例就可以得到剪枝的结果。基于注意力机制的剪枝算法利用注意力机制模块可以增强重要通道,抑制次重要通道的特点,在待压缩的卷积神经网络引入了注意力机制模块获取通道的重要性度量,同时为了使得到的通道重要性之间的差异更大,进一步引入了稀疏项约束,稀疏项对注意力机制的参数使用（?）1范数约束。根据得到的通道重要性度量以及裁剪比例,对待压缩神经网络做剪枝并且重新训练得到压缩后的神经网络。实验结果证明引入稀疏项对剪枝结果有着明显的提升。