近年来,卷积神经网络技术快速发展,其优异的性能已经在计算机视觉的多个领域得到广泛研究和验证,并取得卓越的效果。然而卷积神经网络也存在着参数量和计算量大、能耗大等缺点,限制了其在实际工业中的推广应用。因此模型的压缩和加速成为当下的一个重要研究方向。本文同时关注计算机视觉中的高级视觉任务和低级视觉任务。针对分类问题,我们提出两种结构化剪枝方法（ACO和ALI）对模型进行压缩。而对于低级视觉任务的超分辨率问题,我们提出增量式线性量化的方法对模型进行量化加速。同时我们在多个数据集和网络结构上进行实验对比,证明我们方法的有效性。具体来看,本文所提出三个方法的创新和贡献如下:1、当下主流剪枝方法在评价卷积核重要性时通常基于卷积核的某一维度特征如L1范数,欧氏距离或泰勒展开级数等,这些单一维度的评价方法容易带来考虑不全面、剪枝误差较大等问题。为解决这些问题,我们提出基于蚁群优化算法（ACO）的模型剪枝方法。同时考虑不同节点间相关性、相似性以及卷积核的绝对值相对大小等特征,对卷积核进行全面的评价。同时对蚁群优化算法中的状态转移规则改进,使得算法在求解过程中以一定的概率取最优,以剩余的概率随机探索可能的解,避免最终解陷入局部最优。通过实验证明我们方法的有效性。2、我们系统的分析了卷积神经网络相邻层在卷积运算中的信息传递过程。然后在第二章所提出单层卷积核重要性得分的基础上,结合相邻层信息传递过程的分析,提出基于层间信息（ALI）的得分方法。以卷积核的层间得分对单层的得分结果进行修正并得到最终的卷积核重要性得分,进一步降低剪枝损失。最终我们的方法在多个分类数据集与模型上取得了优于现有公开方法的效果。3、对于超分辨率任务的压缩加速,是目前研究相对较少的领域。我们以经典模型SRRes Net为例,选用数据集Set5和Set14。采用常用的线性量化形式对其进行量化,为降低量化过程所带来的模型性能损失,我们在直接量化的基础上引入增量式量化方法,通过对权重分组、量化并固定及重训练的方式,使得量化后模型达到与原始模型相近的效果。同时我们对量化过程中的分组方式、量化特征图激活值等的影响进行探究。从而为超分辨率网络的压缩加速提供经验与指导。