卷积神经网络(CNN)在众多领域的性能表现令人印象深刻。然而,深度神经网络的参数量和计算量越来越大,其对计算能力的要求也就越高,这极大地阻碍了神经网络在移动端的应用。因此,目前出现了多种模型压缩算法,包括低秩分解、知识蒸馏和网络剪枝等。但是以上所提及的压缩算法还存在很多不足和问题:(1)卷积神经网络是多层结构,在进行低秩分解时没有考虑到每一层参数冗余度的差异性,因此亟需一种可靠的方法为每一层分配合适的低秩rank;(2)深层网络使用知识蒸馏进行压缩时,梯度消失现象严重,导致浅层参数无法被学习得很好;(3)在网络剪枝过程中,亟需一种为非压缩领域专家而设计的全自动、高效的剪枝比率分配策略。针对以上出现的问题,本文对低秩分解、知识蒸馏和网络剪枝进行了深入地研究,并将三种压缩算法灵活应用于人脸识别模型上。本文的主要研究内容包括:(1)提出了基于低秩自动分配的低秩分解压缩算法,解决了当前低秩分解压缩算法工作中,未充分考虑每层冗余度差异性所造成的参数压缩不彻底问题,在公开数据集Birds-200上实现精度无损压缩VGG-16网络48倍;(2)提出了基于局部与全局知识融合的三网络知识蒸馏技术,解决了卷积神经网络经过低秩分解压缩后所造成的精度下降问题,在公开数据集Birds-200和ImageNet2012上相比主流基线算法精度提升了 1.23%～3.27%;(3)提出了两种对非专业人士友好的网络剪枝策略,解决了网络剪枝中计算量压缩比率难以确定的问题,并在公开数据集CIFAR-10上详细对比了两种策略,分析了各自的优缺点。基于以上研究内容,本文设计并实现了基于压缩模型的人脸识别Web系统,将以上三种互补的压缩算法灵活应用于人脸识别模型,验证本文所提出的算法的有效性。参数量和计算量少的神经网络模型可以大大节省资源。如果神经网络能够以很小的性能损失部署在移动设备上,它将创造出不可预测的价值。