深层卷积神经网络因其优秀的学习能力受到广泛关注。但深层卷积神经网络模型中通常具有大量冗余参数,这些冗余参数不仅会消耗大量内存和运算资源,阻碍模型向移动端的移植,还会带来过拟合问题。近年来,网络模型剪枝算法已经被证明可以有效减少模型参数,压缩网络规模。现有剪枝算法大多通过人工设计的评价标准来判断一个网络结构是否应该被剪枝。这种判定方法具有较强主观性,因此获得的评价结果可能存在较大误差。为解决此问题,本文提出基于混合型进化算法的深层卷积神经网络剪枝算法,以自适应的方式获得剪枝策略,避免使用手工设计的评价标准,减少剪枝过程中的人工参与。本文认为,剪枝算法不应独立判断各待剪枝结构是否应被剪枝,而应从组合角度联合判断各网络结构的重要性。因此本文将剪枝问题转化成组合优化问题,提出了基于粒子群优化算法的深层卷积神经网络剪枝算法,以寻求更高的剪枝后模型精度为目标,通过粒子群进化寻找剪枝问题最优解。虽然该剪枝算法具有一定剪枝效果,但跳出局部最优解需要大量的运算。此外,剪枝算法不应单纯考虑剪枝后模型精度,还应同时考虑剪枝后模型规模,使得剪枝后的模型达到精度与规模的平衡。因此本文进一步将剪枝问题转化为多目标组合优化问题,提出基于遗传算法的深层卷积神经网络剪枝算法,在寻求更高剪枝后模型精度的同时,要求剪枝后的模型包含更少的参数。此外,在该剪枝算法中引入注意力机制来帮助获得剪枝问题的最优解,减少遗传算法所需种群迭代次数,从而减少进化算法对时间和运算资源的消耗。本文面向CIFAR数据集对Res Net、VGG等网络模型进行了剪枝,来验证所提出剪枝算法的有效性。实验结果表明,面向CIFAR-10数据集,基于粒子群优化算法的剪枝算法可以在减少Res Net模型中58%以上参数量和计算量的情况下,将模型精度损失控制在1%以内。对于同一数据集,基于遗传算法的剪枝算法可以在减少Res Net模型中73%以上参数量和计算量的情况下,将模型精度损失控制在0.6%以内。