随着大数据和计算机硬件的发展,训练大型深度神经网络（Deep Neural Networks,DNN）已经成为可能。因此深度神经网络近些年受到了广泛的研究,并且应用于人脸识别、图像分类、自动驾驶、自然语言处理等人工智能领域。虽然在这些领域中深度神经网络都有优秀的表现,并且在部分任务中的表现已经能够领先人类。但是大部分深度神经网络模型都存在体积大（模型存储时占用空间大）以及运行所需计算量大的缺点,严重限制了其在手机等低性能设备上的部署。因此需要对于深度神经网络模型进行压缩,减少模型体积以及运行所需计算量,以利于模型的传输以及模型在低性能设备上的运行。所以研究深度神经网络模型压缩对于模型在低性能设备上的部署具有很大的意义。对于深度神经网络模型存在的缺点,本文对于模型使用模型剪枝的方法,大大减少了模型体积,同时在CPU以及GPU上获得了实际的加速效果。本文的主要研究内容如下:本文提出了一种新的卷积核结构L₂-Conv,L₂-Conv在前向传播之前将卷积核进行无梯度分离操作,分离为方向卷积核以及卷积核半径。通过对于卷积核半径进行更新,可以拉开模型卷积核的L₂范数数值,解决了使用L₂范数对于卷积核重要性排序方法的不足。使得模型的重要卷积核和非重要卷积核易于区分,以利于对模型进行卷积核剪枝。使用L₂-Conv搭建的模型在cifar10以及cifar100数据集上准确率并不会受到影响,并且在模型部署时不会增加额外的计算量。本文在L₂-Conv卷积结构的基础上提出了L₂-prune算法,L₂-prune算法使用迭代的剪枝方式。L₂-prune算法包括本文提出的修剪率设置算法、迭代剪枝时每次修剪率的设置算法以及学习率等超参数的设置方法。修剪率设置算法会根据模型每层的重要性、计算量、体积等因素自动给出模型每层的修剪率,简化了模型的剪枝操作。通过给模型不同层设置不同的修剪率,使模型达到预设的压缩率或者计算量下降率的同时,避免修剪掉重要的卷积核。本文将L₂-prune剪枝算法和SFP、FPGM、APOZ等方法进行了比较,在相同修剪率的设置条件下,本文提出的L₂-prune剪枝方法在部分模型上相比于对比方法在准确率上有一定的领先,即使没有领先也和最优的算法在同一水平线上。在剪枝实验中,L₂-prune可以在无损准确率的情况下,将cifar10数据集上的Res Net56模型计算量减少60%。将cifar10数据集上的VGG16＿bn模型体积压缩10倍,并且在GPU上获得2.34倍的加速效果、在CPU上获得3.62倍的加速效果。