卷积神经网络(convolutional neural networks,CNNs)在计算机视觉、语音识别等领域取得显著成功的同时,网络深度和宽度进一步增加,这导致了网络计算复杂度的急剧上升。目前卷积神经网络的参数量是数以万计的,网络所需的巨大内存和高额的计算量消耗,制约着深度学习在资源有限的移动设备上的应用。本文引入新的通道剪枝方法降低网络浮点运算量(floating-point operations,FLOPs),通过移除卷积核中不重要的通道,得到一个内存更小的CNN模型,以达到加速和压缩卷积神经网络的效果。本文以降低卷积神经网络FLOPs为研究目标,在网络性能降低可以忽略的前提下,对通道剪枝方法进行研究,主要贡献概括如下:(1)针对常见的两种结构不同的卷积神经网络,即无捷径连接(shortcut connections)的卷积神经网络和存在捷径连接的残差网络,给出了通道剪枝在这两种网络下的实现,并讨论了移除卷积层通道对网络FLOPs降低的影响。(2)提出了基于平均梯度的新剪枝标准。该标准以单个特征图的平均梯度数值为依据,衡量各通道对网络性能的重要性。平均梯度数值越小的特征图,移除对应通道时对网络损失函数的影响越小,即这个通道的卷积层对剪枝操作的敏感度较低。与现有剪枝标准的对比,基于平均梯度标准的剪枝方法得到的网络准确率保持较稳定,对网络性能的影响较小。(3)针对逐层剪枝策略的时间消耗过大,全局剪枝策略无法显著降低网络FLOPs问题,引入了分层全局剪枝策略。依据剪枝标准将全局剪枝策略应用于敏感度相似的卷积层之间。分层全局剪枝策略主动学习了各个卷积层的剪枝比率;避免了卷积层的固定剪枝比率过高时,对网络性能造成严重损害。同时分层操作保证了各卷积层与整体网络的剪枝比率近似相等,保证网络FLOPs的显著降低。实验表明,在CIFAR-10数据集上VGG-16网络准确率降低小于1%的情况下,网络FLOPs降低5.64倍;同时Res Net-110网络准确率降低仅0.08%的情况下,网络FLOPs降低2.48倍。