近些年来,卷积神经网络在许多与计算机视觉相关的任务(如目标检测和图像识别)上均取得了显著的成就。但是多数卷积神经网络的优异性能都以计算和内存成本的显著增加作为代价,因此很难将它们部署在资源受限的环境(如移动设备和嵌入式设备)中。因此,对卷积神经网络进行压缩和加速,降低其对计算和内存资源的消耗,已逐渐成为一个热门的研究领域。剪枝是卷积神经网络压缩的主要方法之一,它可以有效识别并剔除网络的冗余部分,同时最小化网络性能的损失。本文围绕剪枝提出两种结构化的剪枝方法用于对现代卷积神经网络进行压缩,进而达到加速的目的。本文具体的贡献总结如下:1.为了解决现有的非结构化剪枝方法难以获得实际加速的问题,本文提出了一种结构化的基于重要性的全局滤波器剪枝方法。该方法首先通过引入梯度信息,对多批次样本训练过程中生成的梯度进行统计,并将归一化后的统计值作为最终的滤波器重要性分数,利用重要性分数可以评估移除滤波器对网络性能带来的影响。然后在此基础上设置全局剪枝率构建一个全局排名,通过全局排名可以高效的完成单次修剪。最后在重训练的过程中恢复网络的性能。此外,该方法使用了一种分组剪枝的方式来解决剪枝Res Net时存在的错位问题。实验结果表明,本文提出的方法可以在减少计算量和保持准确度上取得很好的平衡。2.为了解决重训练网络效率低以及耗时严重等问题,本文在基于重要性的剪枝方法基础上,结合动量信息提出了一种基于动量的滤波器剪枝方法。该方法主要分为四个步骤:首先通过归一化每层现有滤波器的平均动量值,获得每一层的动量贡献比例;接着使用重要性剪枝中的衡量标准评估每个滤波器的重要性,并通过设置剪枝率在每层中选择不重要的滤波器;然后将选择的滤波器参数权重置零来暂时消除它们对网络输出的影响,同时衰减剪枝率;最后按贡献比例重新启用具有最大动量值的缺失滤波器来重建滤波器。实验结果表明,本文提出的方法可以提高剪枝的有效性,特别是在剪枝大型卷积网络(如Res Net56)上取得了良好的结果。