深度学习近些年在飞速发展的同时,依然面临着一些挑战。一方面,由于目前的卷积神经网络普遍存在模型结构复杂和参数量冗余等问题,很难被部署到有限硬件资源和功耗预算紧张的移动设备端上。另一方面,由于卷积神经网络本身的脆弱性,很容易受到对抗样本的攻击,模型的鲁棒性受到严峻挑战。本文围绕这两个方面展开研究,具体研究内容归纳如下:(1)提出一种基于BN(Batch Normalization)层的全局动态模型剪枝方法,方法的整体流程分为稀疏模型训练和模型重构两步。在稀疏模型训练阶段,进行“软剪枝”操作,并基于BN层的缩放因子定义两种合适的剪枝准则来估计模型通道的重要性,然后将对应不重要通道的BN层缩放因子和偏移因子置为零,这些被置为零的参数仍然可以参与之后的迭代更新。通过模型训练动态选择出冗余性的通道,当模型训练收敛时可以得到一个稀疏的模型。在模型重构阶段,基于得到的稀疏模型,通过“硬剪枝”的方式将BN层中稀疏参数所对应的通道整体移除,最终得到一个精简的剪枝后模型。在CIFAR-10和CIFAR-100数据集上的实验结果证明了该方法的有效性,将Res Net56和Res Net110裁剪将近一半的参数和秒浮点数时,可以达到接近甚至超过原模型的精度。(2)提出一种对抗鲁棒性模型剪枝方法,方法的整体流程分为对抗预训练和迭代剪枝两步。在对抗预训练阶段,本文首先在目前经典的对抗训练算法基础上进行改进,提出一种新的对抗训练方法,然后通过改进后的方法进行预训练得到一个鲁棒性的模型。在迭代剪枝阶段,基于得到的鲁棒性模型,根据权重参数的绝对值进行全局排序剪枝,然后再通过对抗训练进行微调。该方法通过对抗训练来增强模型的对抗鲁棒性,通过权重剪枝来裁剪模型中冗余的参数,可以在实现较高剪枝率的同时,保证模型的对抗鲁棒性不受影响。在MNIST和CIFAR-10数据集上的实验结果证明了该方法的有效性,将模型裁剪90%的参数时,仍然具有很好的鲁棒性。