深度卷积神经网络在计算机视觉的各个领域取得了突破性的进展,然而部署这些网络却需要大量的存储和计算成本,这阻碍了它们在物联网和智能手机等资源受限设备中的应用。网络压缩与加速技术应运而生。它通过减少网络中的冗余来实现网络参数的压缩与计算的加速。但是现有的网络压缩与加速方法发展还存在识别冗余能力不足、依赖大量训练数据、算法间结合性不够等问题。针对这些问题,本文总结现有各种卷积神经网络压缩与加速方法的优缺点并对其中的关键技术进行研究,分别提出相应的解决办法。具体地,本文的研究内容和主要贡献如下:（1）提出一种基于特征相关性分析的通道剪枝算法。本文通过研究发现,在现代卷积神经网络中存在两种等价变换,这两种等价变换可以改变网络中参数的幅度而不影响其实际作用。传统基于参数幅度的剪枝方法不能很好地识别网络中的冗余。对此,本文从特征相关性的角度出发重新思考剪枝问题,提出一种基于特征相关性分析的卷积神经网络通道剪枝算法。该算法使用剪枝前后卷积输出特征图的互相关系数来评估剪枝所导致的信息损失,并由此导出一种方差比形式的卷积通道重要性判别指标。该指标避免了网络中无关参数尺度的影响。它可以从特征相关性的角度解释并且易于计算。在基准数据集上进行的广泛不同架构网络的实验证明了该算法的有效性和泛化性。（2）提出一种小样本卷积神经网络压缩与加速算法。虽然前述剪枝算法可以有效地识别网络中的冗余,但是它与当前大多数的网络压缩与加速算法一样,需要大量的训练数据。然而,由于隐私、版权、存储等问题,充足的训练数据并不总是可得。为此,本文提出一种基于特征复用和增强知识蒸馏的小样本卷积神经网络压缩与加速算法。该算法只需要少量无标签样本便能充分地压缩网络。具体地,该算法首先从局部上复用原网络的主要特征图来建立压缩后的网络原型,然后从整体上使用增强后的少量样本探测原网络的输入输出结构来进一步细化已建立的网络原型特征。在基准数据集上进行的大量实验表明了该算法的有效性。它可以在只利用不到0.5%训练集样本的情况下获取与使用全部训练集样本相当的压缩结果。同时,该算法也具有较强的鲁棒性,支持使用来自其他相似数据集的少量无标签样本来压缩网络。（3）提出一种联合多系统方法的卷积神经网络压缩与加速框架。针对现有的各种网络压缩算法独立使用以及缺乏实际测试、验证等问题,本文依托浙江大学玉泉校区食堂中餐菜品识别实际场景,设计出一个一体化卷积神经网络压缩与加速框架。该框架有机地将剪枝、知识蒸馏、量化等算法融合在一起,实现对卷积神经网络最大程度的压缩。在对该校区食堂中餐菜品识别网络的优化问题上,该框架最终实现其在移动端30倍左右的模型大小压缩以及9倍左右的计算速度加速。