卷积神经网络在计算机视觉领域具有重要地位,随着不断发展和应用,其性能也在逐渐提升。然而,网络的层数、参数量和计算量也在显著增加,这阻碍了卷积神经网络在资源有限的智能手机、可穿戴智能设备等移动端的应用。为了解决这些问题,研究者们提出了众多方案,在最小化网络性能损失的前提下,对卷积神经网络中不重要的部分进行有效识别和剔除,以达到压缩模型和加速计算的目的。网络剪枝是对卷积神经网络压缩和加速的有效途径,它可以显著降低网络的冗余度和复杂性。如今,网络剪枝逐渐成为一项热点,然而仍然存在若干问题值得更加深入地研究。针对网络剪枝中两个有待解决的问题展开了对卷积神经网络压缩的分析和研究:（1）如何在训练和动态剪枝交替进行的情况下取得良好的压缩效果,且不影响模型剪枝后的性能;（2）如何更好地提升压缩模型的性能;本文的主要工作有以下两个方面。（1）首先,提出了基于一种动态阈值的高效剪枝方法。现有的剪枝方法往往依赖预训练的网络,然后按照一定剪枝率对所有通道进行一次彻底剪枝,再将剪枝后的模型进行微调,这些方法虽然在性能上能够保持较好的效果,但压缩效果还不算太理想。基于动态阈值的剪枝方法是稀疏化训练和剪枝同时进行,在每轮训练完成后对网络中的所有通道进行评估,将评分较低的部分不重要的通道从模型中移除,剪枝阈值随着训练的迭代而发生改变。基于动态剪枝的卷积神经网络压缩方法的多组实验表明,剪枝模型能够获得比现有方法更好的压缩效果。（2）然后,进一步引用权重再置来提升压缩模型性能。大多数的剪枝方法使用完整模型训练得到的权重微调剪枝模型。研究发现从预训练模型学习到的“重要”权重通常对小的剪枝模型没有用处,微调通常并不会比使用随机初始化的权重从头训练得到的模型性能更好。网络剪枝的最终目的是得到最优的结构,即每一层的通道数,而不是为了继承完整模型的权重。基于权重再置的压缩模型性能提升方法保持剪枝模型与完整模型训练过程的参数量或计算量相同,计算剪枝模型训练的次数并对剪枝模型随机初始化权重进行从头训练,在多个剪枝模型上的实验表明对权重再置从头训练可以获得与微调相当甚至更好的性能。