卷积神经网络模型压缩是一种有效降低卷积神经网络参数冗余和储存的方法。本文以卷积神经网络为基础,围绕基于权值量化和剪枝的压缩方法开展了如下研究工作。第一章是本文的绪论,首先介绍了卷积神经网络压缩的研究背景,其次介绍了国内外关于卷积神经网络压缩方法的研究现状,最后介绍了本文的研究内容和组织结构。第二章本文介绍了卷积神经网络的基本理论,首先介绍了卷积神经网络的组成,包括卷积层、全连接层、激活函数、池化层和SoftMax,其次介绍了卷积神经网络的一些训练和优化方法,包括梯度下降、误差反向传播、参数初始化、批量标准化以及避免欠拟合和过拟合。接着本文介绍了卷积神经网络常用的模型:LeNet-5、AlexNet、VGGNet和ResNet。最后本文介绍了神经网络训练框架:TensorFlow、Caffe和Keras。第三章本文深入分析研究了几种经典卷积神经网络压缩方法,包括权值量化、模型剪枝和模型设计。首先分析研究了基于二值量化的卷积神经网络压缩方法:BinaryConnect,接着分析研究了两种基于三值量化的压缩方法:TWN和TTQ。本文还分析研究了一种基于权值8位量化的压缩方法,并使用该方法量化了ResNet和LeNet-5,该方法将模型压缩4倍,而模型准确率损失小于1%。以上几种卷积神经网络压缩方法是本文的对比算法。接着本文介绍了基于泰勒公式和基于γ系数的通道剪枝,最后本文介绍了基于模型设计的压缩方法:MobileNet。第四章本文首先研究了卷积神经网络权值的分布情况和计算机存储数值的格式,根据权值分布情况以及浮点数与定点数的特点,提出了基于整系数表达(Integer Coefficient Representation,ICR)的卷积神经网络压缩方法,使用8位整系数定点数代替32位浮点数保存权值。本文研究了整系数表达权值后神经网络权值的更新策略。接着本文对比分析了分步迭代进行整系数表达的策略对结果的影响。本文还对比了权值选取策略的不同和正则化的不同对结果的影响。接着本文使用分步迭代、优先选取绝对值最大权重和L2正则化项进行整系数表达卷积神经网络,本文提出的ICR算法将模型压缩4倍,节省了存储空间。准确率却没有降低,在ResNet上取得了准确率高于原始网络0.27%的结果,在LeNet-5上高0.14%。最后本文将ICR算法与其他量化方法进行对比分析。第五章本文首先介绍了几种经典的剪枝方法,然后分析剪枝后得到的稀疏网络的权值分布特点。接着本文提出了将剪枝算法与整系数表达相结合的卷积神经网络压缩方法,进一步去除神经网络模型的冗余。在整系数表达稀疏卷积神经网络时,神经网络会动态的恢复一些重要的被剪掉神经连接,这可以避免可能的性能下降。在不考虑存储稀疏网络权重位置信息的情况下,ICR算法将ResNet压缩约12倍,LeNet-5压缩约78倍,且模型准确率没有损失。