经历了多年的发展,人工神经网络演化出多种独特的结构。卷积神经网络(CNN)由于在计算机视觉、语音识别和自然语言处理等领域的出色表现引起了研究人员的广泛关注。然而,随着CNN的功能越来越强大其网络模型也越来越庞大,训练耗时,对硬件要求苛刻等一系列问题制约着CNN的发展。因此,对CNN模型压缩的需求应声而出。针对上述问题,本文提出了一种基于逐步修剪策略的CNN模型压缩方法。与前人通过对权重修剪以减少CNN权重数量的压缩方法不同之处在于,对每一层的权重进行修剪时本文先选取当前层保留下来的权重的一部分,根据选取的权重子集设置当前次修剪的阈值,将绝对值小于阈值的权重删除。对修剪后保留的权重重新训练以弥补修剪带来的精度损失。继续选取当前保留权重的一部分执行修剪操作,然后重新训练保留下来的权重,直到达到最终的压缩率。与一般的修剪策略相比,逐步修剪策略考虑了当前层部分权重修剪后对剩余权重重要性的影响,使修剪粒度更细,减少因误修剪带来的精度损失。同时本文提出了一种量化后无需重训练的权重量化方法:区间量化法。使用区间量化法量化权重时需根据量化后用以表示权重的位数将当前层权重划分为相应的区间,每个区间内的权重用其所在区间的中间值表示。通过对CNN模型权重进行量化,将CNN模型的权重用更少的位数表示,减小模型存储需求,为CNN应用到嵌入式设备等存储空间有限的设备提供条件。最后使用经典CNN模型验证本文提出的方法。实验结果表明,对于LeNet-300-100和LeNet-5逐步修剪策略可以修剪掉98.2%和99.03%的权重,在相同修剪率的情况下逐步修剪策略优于大部分基于权重修剪的压缩方法。区间量化法与逐步修剪策略结合使用进一步压缩CNN模型。实验表明,两种方法结合使用后LeNet-5的压缩率为0.60%,比只用逐步修剪策略提高了53.49%。此外,该量化方法无需重新训练,与其他量化方法相比使用更为简便。