深度卷积神经网络（CNN）在深度学习的发展中起着重要作用。CNN保留了输入信号的空间信息,这对于诸如图像识别之类的任务很有用。CNN在图像识别任务中的应用取得了丰硕的成果。在这种势头的基础上,深度学习已扩展到其他计算机视觉任务,例如目标检测,目标跟踪等。但是,CNN需要大量的计算和存储。这阻碍了将深度学习模型部署到资源受限的设备（例如移动电话）中。为了克服这些限制,本文提出了许多方法来加速深度模型,从而间接减少内存需求。但是,大多数方法适用于小型网络或仅适用于图像识别任务。本文的重点是减少推理过程中基于CNN的目标检测模型的计算量。对解决该问题的多种方法进行了评估,发现基于空洞卷积的优化方法是有效的,空洞卷积是一种删除冗余过滤器或神经元,从而降低网络复杂性的方法。空洞是一种分层的,自底向上的聚类方法,其中每个单独的过滤器都以一个单成员聚类开始,并一起向上移动层次结构。在提出的基于空洞卷积的修剪方法中,将生成相似特征图的过滤器组合在一起,作为单个过滤器。本文的定性和定量结果表明了该方法在不同参数优化条件下的性能。