现如今,深度网络模型是软件系统中的重要组成部分。在计算机视觉领域中就将卷积神经网络模型用于物体识别、图像分类等多种任务中,以这些任务为核心构建的软件大部分都会被部署在移动计算设备上。然而,如今的深度神经网络模型是非常大的,但移动计算设备的存储容量、核心频率和内存大小是有限的。比如VGG架构的模型需要超过500Mb的内存空间,在运行时占据高达1Gb的内存并消耗大量的cpu计算时间。有两种方案来解决这一系列问题。第一种是提出一些轻量级且准确度和大模型相当的模型。但是这些模型的架构需要大量时间来从头设计,并且他们可应用的范围是受限的。从准确度上来说,它们也很难保持和大模型相当。第二种方案则是对现有的模型进行压缩。由于几乎所有模型中都包含了可消除的冗余参数,所以这种方法的适用性很好,对不同的模型不需要重新设计方法,甚至可以对轻量化的模型进行进一步的优化。现有的压缩方法的重点都在于缩小模型的大小并保证模型准确度,但模型除了这两点之外还有其他属性,比如公平性、健壮性等。本文选择了剪枝、量化和知识蒸馏三种主流的模型压缩方法,研究了他们单独使用以及混合使用时对于模型属性的影响。总的来说,本文的主要工作有如下几点:（1）从模型的效率和模型的有效性上分析压缩方法对于模型的影响。模型的效率是指模型在存储时所占的大小以及运行时的速度,所占内存等。模型的有效性则代表了模型在数据集上的预测的准确性。这两点是压缩方法对于模型最显而易见的影响。（2）从模型的可信度上研究压缩方法对于模型的影响。模型的可信度中包含了健壮性和公平性两个方面。这两方面在以往的工作中没有明确的可量化的定义。本文中用模型在对抗攻击下的表现来定义健壮性。在公平性方面,本文提取了彩色-灰色这一特征,把机器学习领域中用到的公平性概念迁移到图像分类任务中。（3）本文选择剪枝、量化和知识蒸馏三种主流的模型压缩方法,将他们用不同顺序进行混合压缩,得到了一系列混合压缩方法。压缩方法混合使用的效果在以往研究中鲜有涉及。本文研究了压缩方法在独立使用和混合使用对于模型的不同影响,对压缩方法该如何混合,混合效果如何的问题给出了答案。