深度学习模型近年来在图像识别、自然语言处理等方面上取得了很好的应用效果。伴随着性能的提升,深度学习模型的结构日趋复杂,对存储和计算消耗的需求越来越大。为了降低模型的复杂度,研究者们主要进行了三个方向的研究:模型参数的量化（Quantization）,模型参数、结构的剪枝（Pruning）和轻量化模型的设计（如SqueezeNet等）。目前的深度学习量化算法通常将CNN卷积核中的参数替换为量化目标值（2的幂的形式）,这样在特定硬件上即可将卷积运算中的浮点数乘法变为bit位移运算。量化算法在选择量化目标值时,大多是凭借先验知识（超参数）来确定,但这样找出的量化目标值会有冗余,从而有进一步压缩的空间。现有量化算法中,通常整个网络或者卷积层共用相同的量化目标值集合,而量化算法中参数的取值范围往往很小,整个网络共用较小的量化目标值集合影响了量化后模型的性能。剪枝算法近两年从对模型参数剪枝,转变为研究对模型通道数（filters）的剪枝。剪枝后的模型参数量减少,因此模型的存储空间以及应用时需要的计算资源大大减少。filters剪枝后的模型可以在现有的深度学习框架上直接运行。现有的剪枝算法,都采用预训练、迭代剪枝的剪枝策略。现有剪枝算法预训练了较长的训练周期,但还是不能做出好的剪枝决策。因此剪枝决策是否依赖于大量的预训练是值得思考的本文的工作针对CNN网络的量化和剪枝算法进行了研究,主要有以下三方面:1.提出了根据参数分布确定量化目标值集合的方法。现有的量化算法量化目标值集合,通常是基于经验或先验知识。本文根据参数数值分布,利用聚类算法对每个卷积层生成了对应的量化目标值集合。本文在MNIST和CIFAR10数据集上,使用相同的量化策略进行了实验,对比了根据参数分布得到的量化目标值和基于经验的量化目标值的有效性。实验结果表明,根据参数分布得到的量化目标值集合能用更少的数值表示整个网络,实现对CNN网络存储的进一步压缩。2.提出了以filters为单位,确定量化目标值集合的方法。现有的量化算法很少考虑量化目标值应用范围的问题,整个网络或整个卷积层使用相同的量化目标值集合。本文提出了针对不同的filters生成相应的量化目标值集合,改变量化目标值集合应用范围的思路。本文利用相同的量化策略,通过实验对比了改进后针对filters生成的量化目标值集合与原量化目标值集合的有效性。实验结果表明,针对filters生成的量化目标值集合,在相同的量化策略下,能让量化得到的网络精度更高。3.提出了一种增量式、基于少量预训练的剪枝思想（Incremental Pruning Thought Based On Less Training,IPLT）。该思想能极大程度上优化模型在训练阶段的计算量。现有的剪枝策略一般基于大量的预训练周期,但大量的预训练并没有给出好的剪枝决策。本文提出了 IPLT的思想,并利用这一思想改进了两个现有的剪枝算法。实验证明,这两个剪枝算法基于少量预训练得到剪枝模型,在分类精度上与基于大量预训练得到的剪枝模型相当。