針對(duì)卷積神經(jīng)網(wǎng)絡(luò)（ CNN）推理計(jì)算所需內(nèi)存空間和資源過(guò)大，限制了其在嵌入式等“邊緣”設(shè)備上部署的問(wèn)題，提出結(jié)合網(wǎng)絡(luò)權(quán)重裁剪及面向嵌入式硬件平臺(tái)數(shù)據(jù)類(lèi)型的數(shù)據(jù)量化的神經(jīng)網(wǎng)絡(luò)壓縮方法。首先，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)各層權(quán)重的分布，采用閾值法對(duì)網(wǎng)絡(luò)精確率影響較小的權(quán)重進(jìn)行裁剪，保留網(wǎng)絡(luò)中重要連接的同時(shí)除去冗余信息；其次，針對(duì)嵌入式平臺(tái)的計(jì)算特性分析網(wǎng)絡(luò)中權(quán)重及激活函數(shù)所需的數(shù)據(jù)位寬，采用動(dòng)態(tài)定點(diǎn)量化方法減小權(quán)重?cái)?shù)據(jù)的位寬；最后，對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，在保障網(wǎng)絡(luò)模型識(shí)別精度的前提下進(jìn)一步壓縮模型大小并降低計(jì)算消耗。實(shí)驗(yàn)結(jié)果表明，該方法降低了VGG-19網(wǎng)絡(luò)95.4%的存儲(chǔ)空間而精確率僅降低0.3個(gè)百分點(diǎn)，幾乎實(shí)現(xiàn)無(wú)損壓縮；同時(shí)，通過(guò)多個(gè)網(wǎng)絡(luò)模型的驗(yàn)證，該方法在平均1. 46個(gè)百分點(diǎn)精確率變化范圍內(nèi)，最大降低網(wǎng)絡(luò)模型96.12%的存儲(chǔ)空間，能夠有效地壓縮卷積神經(jīng)網(wǎng)絡(luò)。