外骨骼机器人能增强人体能力,在民用、医疗和军事等领域有广泛应用需求。针对下跃过程中地形多变、瞬时性强等问题,需要为外骨骼机器人设计快速场景识别模块,来实时识别下跃场景的类型。场景识别可通过深度学习模型来完成。然而深度场景识别模型参数量和计算量大,使其难以部署于实时性要求较高的嵌入式设备上。模型压缩技术能减少模型推理时的内存占用量和计算量,提高模型的推理效率,从而缓解深度学习中模型部署的困难。考虑到结构化的剪枝方法获得的模型更容易部署到嵌入式设备,本文主要研究基于滤波器剪枝的模型压缩方法。受特征选择和主成分分析方法的启发,本文设计了基于特征图方差的滤波器剪枝算法。特征图方差可以用来评估特征图中的轮廓信息含量,而轮廓在分类任务中是一个重要的特征。该算法以特征图方差作为剪枝依据,每层裁剪掉方差低于阈值的滤波器,通过对原始模型迭代剪枝多次后,完成对原始模型的压缩。实验结果证明,该算法能有效的检测出无用的特征图,从而移除对应的滤波器,能有效的提升网络剪枝后重新训练的准确率。另一方面,目前多数滤波器/通道剪枝方法都是分离式结构,没有考虑到网络中相邻两层之间的关联关系。基于此,本文提出了权衡相邻层几何中值剪枝算法。该算法采用几何中值的剪枝策略,并在此基础上,设定了一个加权因子来权衡相邻两层对应的滤波器和卷积核组对剪枝效果的影响。实验结果证明了神经网络中相邻层之间对应的滤波器和卷积核组共同影响模型剪枝的性能,但当前层的滤波器对剪枝效果的影响比下一层卷积核组更大。加入加权因子来关联相邻层可以克服分离式结构的缺点,使网络剪枝后重新训练的准确率更高。此外,在下跃应用场景中,需要为外骨骼机器人设计快速场景识别模块,来实时识别下跃场景的地形。本文基于NVIDIA Jetson TX2设计并实现了嵌入式硬件系统,该系统通过摄像头采集外界图像数据,并且使用电池作为主电源,设计出了具有获取、便携、存储、处理和传输能力的嵌入式硬件系统。并通过本文提出的剪枝算法对场景识别模型剪枝,再部署到该设计完成的嵌入式平台上。测试结果表明剪枝后的Res Net-50推理速度比原始模型更快,处理图像速度能达到每秒37帧,能实现系统的快速场景识别。本文研究工作表明,基于特征图方差的剪枝策略能有效的移除网络中无用的滤波器,并且在滤波器剪枝中加入加权因子来关联相邻两层能够克服分离式结构的缺点,二者均能提升剪枝的性能。此外,本文的研究工作为下跃应用场景中的外骨骼机器人提供了快速场景识别模块的解决方案。