深度神经网络是一种通过从数据中学习参数的网络结构.近年来,由于在图片分类、目标检测、自然语言处理、语义分割等方面取得一系列突破性成果,深度神经网络受到了越来越广泛的关注.性能优越的神经网络通常都有着成功的架构设计,但同时其所包含的参数数量也相当庞大,训练时需要极大的内存开销及计算代价,因此难以在存储空间和功耗受限的嵌入式设备上应用.因而压缩已有的网络,使之在性能基本不变的条件下尽可能地减少参数数量和模型的大小就成为人们亟待解决的问题.于是人们提出了诸如剪枝、参数共享、知识蒸馏等模型压缩方法.剪枝是一类操作简单且使用方便的方法.剪枝指的是,在保证网络性能不下降或者下降概率在可接受范围内时将网络一些不重要的结构或者参数删除掉.剪枝可以分为非结构化剪枝和结构化剪枝.现有的剪枝方法要先训练出一个大型的网络,然后对这个复杂的网络进行处理,减少其参数数量和计算量,以达到压缩原有模型的目的.那么能否在训练前就找到这个参数数量更少,而处理能力又不降低的模型呢?针对这个问题,本文将用于非结构化剪枝的彩票假说引入到Batch Norm层的通道剪枝方法中,构建了新的网络压缩模型.并就fine-tune（剪枝后剩余的参数不变,直接进行训练）、winning ticket（将剪枝后剩余的参数返回至训练前随机初始化的数值）和random init（对剩余参数进行随机初始化）这三种参数调整方式对结构化剪枝和非结构化剪枝两种剪枝方式分别进行了实验,研究了网络结构和参数与压缩方法之间的关系,得到如下结论:1.对于基于参数绝对值大小进行的非结构化剪枝,剪枝率小于80%时winning ticket的测试精度要明显高于fine-tune和random init,这说明非结构化剪枝方法,在网络训练前,参数随机初始化之后,将一些无用的网络进行直接剪枝并进行训练,可以得到能力较强的网络;2.对于根据Batch Norm层因子进行通道剪枝的结构化剪枝,在剪枝率小于80%时,winning ticket的表现不如random init,但是相对来说,二者都比fine-tune的网络测试精度高.这说明对于结构化剪枝,剪枝后得到的网络结构要比剩余的训练得出的参数数值更重要;3.经过剪枝后的网络,有可能比原来的网络精确度更高,这说明剪枝操作可以有效缓解网络的过拟合问题.综上所述,对结构化和非结构化两种不同的剪枝方式,采用不同的参数调整方法所训练的网络性能不同.这些结论对于网络模型压缩中各个环节不同处理方式的最佳组合选择提供了有益的参考.