由于深度学习在自然语言处理和图像处理上的优秀表现,深度学习技术已经被广泛地应用在人工智能领域。然而,目前大多数深度学习的神经网络结构都非常复杂,这就导致了以下三个问题,第一、它们需要耗费较多的存储空间,但由于手机内存的限制,这使得它们很难被部署到手机上,第二、它们需要较长的计算时间,因此它们很难快速给出实时响应,第三、网络结构的复杂性还带来了难解释的问题,尽管可以依据业务需求进行网络结构的定制,但是这需要付出不小的定制成本。为了解决以上3个问题,本文提出了一种基于复合MCP正则项的三步剪枝策略,可以很好地对神经网络进行压缩,并且同时完成特征选择以增加模型解释性。该算法使用了三个过程来完成剪枝,寻找最优网络结构及最优网络参数:基于CMCP正则项的预训练过程用来完成参数压缩、内含性阈值剪枝过程用来移除不重要的参数、重训练过程用来寻找最终网络结构的最优网络参数。MNIST手写数字识别实验的结果表明,相比于原始模型,这种算法可以在使预测准确率仅下降0.3%的情况下,使神经网络稀疏度高达98.9%。基于Cover数据集的森林植被多分类实验的结果表明,相比于原始模型,本文方法可以在把测试集准确率损失仅下降0.3%的同时,将模型稀疏度提升到97.15%。