近年来,人工智能特别是深度学习技术在模式识别、场景感知和任务决策等方面取得了突出的效果和成绩。与此同时,边缘计算和设备如嵌入式终端等的发展也带来了更高的数据处理和计算需求。深度神经网络出色的数据特征提取和分析能力在边缘计算场景有着广泛的应用前景。然而,深度神经网络的复杂度严重限制了其在资源有限的边缘计算场景下的部署和应用。因此,如何有效地降低深度神经网络的复杂度是本研究的重点问题。首先,本研究从深度学习压缩算法,特别是剪枝理论出发,总结和归纳了主流深度学习剪枝方法。在此基础上,本研究提出了动态特征图传播算法,在训练阶段动态地调整每次神经网络前向传播的子结构,旨在降低深度卷积神经网络的复杂度,优化传统深度学习剪枝算法流程,实现端到端的神经网络训练和压缩。进一步地,本研究提出深度结构性学习的策略,考虑在神经网络参数训练之前,通过有效地评估神经网络不同层的重要性,在重要性高的层分配更多神经元,优先学习深度神经网络的紧致化结构性特征,有利于降低深度学习在训练阶段的复杂度,并提高神经网络参数的收敛速度。同时,本研究将深度结构学习流程嵌入到常见的“云边协同”的边缘神经网络部署框架当中,简化了传统模型压缩和部署的流程复杂度,充分满足边缘应用的隐私性和个性化需求。最后,本研究在主流深度神经网络架构和标准数据集上进行了仿真验证,实验结果充分说明了所述算法的有效性。