近年来,卷积神经网络(Convolution Neural Network,CNN)在图像识别、语音识别、自然语言处理等多个领域取得了卓越的成绩。为了进一步发掘网络潜力,提升网络预测精度,神经网络的结构日趋复杂,规模日益庞大,使得传统的计算设备无法有效运行这类模型。可以有效运行这类模型的高性能设备往往价格昂贵、功耗巨大。而正常工业环境中使用的设备有着严格的约束,其价格、计算力、网络传输带宽、内存等等都是受限的,此外工业场景下对模型处理延迟也有着严格的控制,其要求模型在规定时间内准确地给出处理结果。这使得大型高精度CNN模型在工业场景下无法大规模地使用。由于CNN模型具有冗余性,所以我们可以利用有效的模型压缩算法缩小大型CNN模型,降低其参数量(大小)和计算量(运行时间),让资源受限场景下的CNN模型可以在规定的时间内准确高效地给出预测结果。本文设计了两种模型压缩手段,并成功将它们应用到实际场景下,本文的主要贡献如下:1)提出了一种新型轻量级卷积神经网络Super Interaction Neural Networks(SINet)。为了有效压缩CNN网络,一种可行的途径是充分复用轻量网络的有限结构中的信息,以达到和大型网络相近的精度。所以首先为了提高深度网络模型在宽度上的信息交互,设计了交互式跳跃连接结构(Exchange Shortcut Connection),它可以集成来自不同卷积组的信息,而无需任何额外的计算成本。另外,为了提高深度网络模型在深度上的信息交互,提出了密集漏斗结构(Dense Funnel Layer)和基于注意力机制的决策层(Attention Based Decision Layer)。最后,通过在Image Net数据集上进行综合对比实验,证明了SINet优于最新的轻量级模型和广泛使用的通用网络(如VGG-16);在CIFAR-100数据集上进行消融实验,证实了SINet中新设计的组件的有效性以及适用性。2)提出了一种无须事先指定裁剪数量,在训练中学习到网络结构的网络剪枝算法,称为自适应网络剪枝算法(Adaptive Dynamic Pruning Algorithm),简称ADP。将网络的整体训练流程分成两个部分,先训练网络权值参数,后训练网络结构参数。经过不断进行交互迭代训练,最终获得一个轻量型高精度双向平衡网络。ADP算法可以在网络训练中将一个大规模模型训练成一个轻量化模型,并且保持了大型模型在数据上的精度和泛化能力。通过实验,验证了ADP算法的有效性,展示了其相对于其它类似算法的优势;将ADP算法与不同模型结合,表明了ADP算法的通用性,与上文SINet模型相结合,可以使得模型更加轻量化,以满足现实需要。3)本文提出的两种网络压缩方法成功地应用在了实际生产环境中。根据人脸识别算法的特性对人脸特征提取网络进行压缩,在保证人脸识别精度的同时,大幅度降低了网络计算量和参数量,并对网络实现加速效果,验证了在实际生产环境中本文提出的压缩方法的巨大作用。实验表明,本文提出的两种方法相比较于已有的模型压缩手段,可以在保证模型精度的同时实现更高的压缩比率。在相关应用实践中,本文提出的两种方法可以灵活地应用于实际的人脸识别深度学习系统中,充分证明了其实用价值。