特征压缩可以减少特征数据量,对缓解机器的存储压力、降低传输时的通信资源消耗具有重要意义。特征是神经网络中最基础的部分,对各项深度学习任务的最终结果起着关键作用,因此在保证特征表达效果的前提下减少特征的数据量成为特征压缩研究的重难点。已有的特征压缩算法大都将特征通道平铺成大型二维矩阵,针对通道内的冗余进行压缩,很少考虑通道间的冗余。另外在足球视频视觉任务中提取的深度特征数据量大,给机器带来很大的计算压力。针对以上问题,提出并设计了足球视频中的高维深度特征压缩算法,实现了特征的通道内压缩和通道间压缩,这里的通道是指深度神经网络中每个卷积核输出的特征图。经过特征分析发现通道内具有稀疏性,通道间具有相关性,这些都表明特征存在冗余,为特征压缩提供了依据。针对通道内特征提出稀疏化压缩算法,借助语义信息对通道进行分类,根据每类通道对视觉任务的贡献度,对不同的通道采用不同的稀疏化处理,利用通道内编码进行特征压缩;针对通道间特征提出序列相关压缩算法,对特征通道进行重新排序,增大相邻通道间的相似性,通过特征块匹配法对运动矢量和预测差值进行编码实现通道间特征压缩。在足球数据集上进行实验,结果显示本算法的压缩比最高可达23:1,同时压缩后的特征在足球视频事件分类任务上的准确率与原始特征相比只下降了0.5%左右。然而,本算法只对深层特征进行压缩,未来可以对所有的中间特征进行研究,实现更加通用的特征压缩算法。