近年来,以深度神经网络为代表的人工智能技术已经在计算机视觉、搜索推荐和语音识别等诸多领域取得了突破性进展。不过随着算法的不断发展,神经网络模型的参数量和运算复杂度也越来越大,严重制约着深度神经网络在存储空间、功耗、续航时间受限的嵌入式设备上部署。结构化剪枝算法够在几乎不损失模型预测精度的前提下,大幅减少模型的参数量和运算量。同时因其对计算、访存效率的提升不依赖于定制化的硬件平台而得到广泛的应用。然而,结构化剪枝算法中存在大量难以确定的超参数,在实现过程中仍有许多的挑战。本文对结构化剪枝算法的理论基础进行了研究,并在此基础上提出了一种基于启发式算法的自动结构化剪枝算法,主要内容包括:提出一种可扩展的自动结构化剪枝框架。现有的结构化剪枝算法存在大量难以优化的超参数,人工确定的超参数往往不是最优的剪枝策略。针对这一问题,本文搭建了一种可扩展的自动结构剪枝框架。框架不仅使用超参数优化模块完成对剪枝过程中超参数的自动优化,还采用了机制与策略分离的设计模式,实现了对多种剪枝算法的支持。提出一种基于等效性假设的个体适应度快速评估方法。在超参数搜索过程中使用迭代剪枝进行个体适应度评估会带来巨大的运算量。针对这一问题,本文提出了基于等效性假设的快速评估方法,并在CIFAR-10数据集的多个神经网络模型上验证了假设的有效性。提出一种基于组合优化算法的自动结构化剪枝算法。传统的启发式算法在搜索过程中不是收敛速度慢,就是容易收敛到局部最优解。针对这一问题,本文提出了一种基于差分进化和模拟退火的组合优化算法,不仅保留了差分进化算法收敛速度快的优点,还使用模拟退火算子降低了收敛到局部最优解的概率。本文基于自动结构化剪枝框架结合该组合优化算法与适应度快速评估方法,在多个数据集上对多种神经网络模型进行了自动结构化剪枝,并通过与现有自动剪枝算法对比,验证了本算法可以以自动化流程更高效地提高模型的压缩比。