近年来,在大数据与高性能计算平台的支撑下,深度卷积神经网络因其对于图像数据的强大非线性拟合能力、高度特征抽象能力和自动特征表达能力而在各类计算机视觉任务中取得了卓越性能。然而其在性能提升的同时也产生了繁重的计算开销、巨大的内存消耗以及超量的存储占用,进而限制了其向资源受限终端的部署,以及在时间敏感的实际场景中的应用。基于此,本文聚焦于基于变分贝叶斯的网络剪枝技术,深入研究变分贝叶斯理论在卷积神经网络剪枝技术上的效用。本文主要工作如下:1.针对传统的网络剪枝算法忽略参数的波动性和随机性的问题,提出了一种基于变分贝叶斯的稀疏学习剪枝算法。所提算法首先设计了乘性噪声层,并以其为关键参数进行先后验分布设计与变分推理,构造具有稀疏先验的贝叶斯模型,然后利用稀疏先验分布诱导关键参数进行不同细粒度的稀疏学习与迭代软剪枝操作,最后通过微调获得最终轻量化模型。所设计算法通过具有稀疏先验的贝叶斯模型的构建,一方面诱导参数向稀疏化方向靠拢,以实现更高性能的压缩,另一方面增加了参数的随机性,使得剪枝算法更具鲁棒性。在LeNet-300-100、LeNet-5和VGGNet上,所提算法在参数细粒度剪枝以及滤波器细粒度剪枝上取得了优越的压缩与加速性能。2.针对传统网络自动搜索剪枝算法的搜索域庞大而导致搜索过程耗时耗力的问题,提出了一种基于变分贝叶斯的自动结构优化剪枝算法,利用变分贝叶斯与随机梯度变分贝叶斯的采样与优化特性,将搜索问题转化为优化问题,设计自动结构优化算法以寻找最优的网络剪枝结构,实现自动高效的模型压缩。算法首先构建了变分结构自动优化网络,并以通道尺度为变分变量构建了贝叶斯模型,之后在变分结构自动优化网络中对通道尺度进行变分优化,获得了通道尺度的近似后验分布,最后基于所获得的的分布可以构建网络最优剪枝模型,通过进一步的剪枝与微调操作,最终实现网络的轻量化。所设计算法一方面通过设计自动优化网络实现通道剪枝,避免了繁琐的超参数调整和经验设计,另一方面贝叶斯技术的引入进一步提升了模型的稳定性与可解释性。所设计算法在LeNet-5、VGGNet和ResNets系列网络中与其他方法相比取得了更优的压缩与加速性能,证实了所设计算法的有效性。