作为深度学习主流算法之一,循环神经网络（Recurrent Neural Network,RNN）对处理时序信息具有更敏感更出色的能力。因此,循环神经网络被广泛使用于电信、电力、人机交互等许多传统以及新兴智能领域。然而,在许多应用场景中,资源有限的终端设备难以应用循环神经网络。这主要的原因在于神经网络结构具有较高的计算复杂度,并且需要大量的计算资源以及存储资源。为了解决此问题,研究者提出了许多合理方式来降低神经网络的计算量和存储需求,其中网络压缩方案较为突出。网络压缩并不是内容无损压缩,其主要目的是在保证网络性能不下降的前提下舍弃部分不重要的参数。尽管循环神经网络的压缩任务受到许多研究者的关注,但是仍然还有许多问题没有得到很好的解决。本文罗列出2个关于压缩RNNs的技术方案目前所存在的问题:1)在极度稀疏率情况下,如何保证循环神经网络的性能以及降低模型复杂度的问题;2)如何优化“剪枝-重训练”周期,以设计更高效的循环神经网络剪枝算法的问题。针对这2个问题,本文展开了具体的研究,并得到以下几点贡献:（1）本文提出了一种能够在高度稀疏率情况下保证长短期记忆网络（Long Short-Term Memory,LSTM）模型性能的网络修剪方法,并提出了一种具有共享权值的稀疏连接LSTM模型,即SCLSTM。与已有方法不同,该方法基于神经连接的大小动态设计了每一轮剪枝的阈值,并且引入了用于降低内存消耗的权值共享策略,从而极大地减少了LSTM的资源需求以及计算成本。实验结果表明,只含有0.88%神经连接的SCLSTM可以获得与密集连接LSTM相同的预测能力。（2）本文提出了一种基于神经连接灵敏度指标的单次修剪的网络压缩算法,并提出了一种进行单次修剪的稀疏连接的门控循环单元（Gated Recurrent Unit,GRU）模型,即SCGRU。该方法优化了现有的迭代剪枝架构,剔除了剪枝架构中多余的“剪枝-重训练”周期,并且设计的剪枝算法根据每个神经连接在反向传播中对目标函数的重要性进行精准取舍,从而只需要单次网络修剪便可以完成整个剪枝过程。特别是,SCGRU模型能够在具有更少的参数连接情况下,模型性能效果高于已有剪枝方案的性能效果。