神经网络滤波器剪枝技术研究综述
来源：计算机工程与应用杂志2026年第2期北京时间：
作者：王琳, 宋权润, 耿世超, 栾钟治
单位：1.山东师范大学 信息科学与工程学院，济南 250358；2.山东师范大学 新闻与传媒学院，济南 250358；3.北京航空航天大学 计算机学院，北京 100191；
摘要：随着软硬件资源水平和计算能力的提高，深度神经网络在计算机视觉、自然语言处理、图像生成等多个领域迅速发展，引领深度学习在自动驾驶、医疗诊断等方向上不断突破。然而，随着模型深度的增加，庞大的参数量和计算资源消耗导致模型变得过于复杂，难以在资源受限的环境进行训练和部署。为了减少网络模型的复杂度，提高模型的效率，研究者们提出了剪枝方法，通过减少模型中的冗余参数和连接实现模型的压缩和加速。滤波器剪枝是优化卷积神经网络的重要方法之一，通过改变网络中滤波器组和特征通道的数目来加速网络，且不依赖于特定算法或硬件平台。梳理了近年来国内外滤波器剪枝技术的研究进展，从滤波器重要性评估、剪枝及微调方式设计两个方面进行分类总结，并对主流滤波器剪枝方法的实验进行归纳，分析滤波器剪枝对模型精度和参数量的影响，并对未来的研究方向加以探讨。
关键词：深度学习,深度卷积神经网络,模型压缩,滤波器剪枝,模型优化加速
基金资助：国家自然科学基金（62102237）；山东省重点研发计划（科技型中小企业创新能力提升工程）项目（2024TSGC0142）。
