卷积神经网络在各类计算机视觉任务中都有成功的应用,但是随着网络参数的增多,卷积神经网络需耗费大量的计算资源,因此很多对网络模型进行压缩和加速的方法被提出。网络剪枝是一种常见的网络压缩方法,滤波器剪枝（Filter Pruning）和通道剪枝（Channel Pruning）通过完整地移除网络中冗余的滤波器或特征图通道以达到压缩网络的目的;除此之外,权重剪枝（Weight Pruning）和卷积核剪枝（Kernel Pruning）以更精细的模式对网络中的冗余参数进行剪枝,被剪枝的单位多为卷积层权重中独立的权值而非完整的滤波器。然而上述剪枝方法大多会存在网络准确率下降较大或剪枝后的稀疏模型不易配置等问题,给网络的压缩工作造成困难。为了解决上述剪枝方法中存在的问题,本文试图利用分组剪枝算法对网络进行压缩和加速。分组剪枝是从传统网络剪枝方法中发展而来的新型剪枝模式,该方法通常利用某种分组标准对卷积层中的滤波器进行聚类分组,然后在各个滤波器组内进行传统剪枝操作,最后将剪枝后的稀疏参数结构重构成稠密的组卷积（Group Convolution）参数结构。组卷积结构已得到充分的研究和发展,可在各类硬件软件平台中高效运行,因此分组剪枝通常可以在几乎不损失网络准确率的前提下对网络进行有效的压缩。但是现有分组剪枝算法通常使用随机分组或传统的聚类算法对滤波器进行聚类,无法获取滤波器数据间的相关关系,从而无法将滤波器分入合理的组内。除此之外,现存分组剪枝算法通常使用传统的剪枝策略对分组后的滤波器进行剪枝,并没有针对分组结构提出更合理的剪枝策略,这将会进一步导致网络的准确率下降。综上所述,本文进一步提出三种新型分组剪枝算法,使分组剪枝算法能够充分利用滤波器间的相关关系对其进行更合理地分组,并针对分组结构设计剪枝策略,从而在不影响模型准确率的情况下对卷积神经网络进行压缩和加速。具体地,文中将针对分组剪枝算法中的分组与剪枝两个问题提出三种新型分组剪枝算法。其中,第一个方法为基于核主成分分析的分组剪枝算法（KPGP）,该方法利用核主成分分析法对卷积滤波器进行降维,并且针对滤波器的数据特点为核主成分分析法设计了一种混合核函数;在降维后,KPGP算法对传统K-Means算法进行改进,利用变式K-Means算法将降维后的滤波器分成相同大小的组中;随后利用基于范数的剪枝策略对参数进行剪枝。该方法主要证明了基于核主成分分析的分组算法能更好地获取滤波器间的相关关系,将滤波器分入合理的组中。随后,本文提出了基于谱聚类与参数几何特性的分组剪枝算法（CSGP）,该方法发现卷积滤波器之间是呈非高斯分布的,研究表明谱聚类更适合对非高斯数据进行聚类,因此CSGP算法中设计了基于谱聚类的分组方式。该聚类方法对传统谱聚类算法进行了微调,利用k-邻近算法构造数据的相似度矩阵,并通过随机游走算法构造拉普拉斯矩阵,最后选择利用变式K-Means算法对拉普拉斯矩阵的特征向量进行聚类,得到分组结果。此外,CSGP算法还提出了基于参数几何特性的剪枝算法以替代传统的基于范数的剪枝策略,可以利用几何特性找出冗余参数,更有效地保留网络的有效信息。最后,本文进一步提出了基于彩票理论和参数相似度的动态分组剪枝算法（TMI-GKP）,该方法受前两个方法的启发,发现网络中不同卷积层中的参数通常具有不同的数据特性,因此选择利用动态分组方式代替单一分组方式。TMI-GKP首先利用剪枝算法中的彩票理论（Lottery Ticket Hypothesis）为每一层选择合适的分组方式,然后提出了基于参数相似度的剪枝策略。基于参数相似度的剪枝策略可以找出参数中能够包含几乎所有信息的子集,并利用该子集代替原始参数以达到压缩的目的。实验证明TMI-GKP算法的效果可以超越其它先进剪枝算法。本文通过上述三种不同的分组剪枝算法对现有的网络压缩理论进行了优化,可以在保证模型原本精度的情况下对网络进行压缩和加速。