深度卷积神经网络在图像分类、目标检测、图像分割等领域有广泛应用。然而,深度卷积神经网络的时间和空间开销过大,对硬件环境提出了较高要求,限制了其进一步的推广应用。因此,如何对深度卷积神经网络进行压缩和加速,已成为一个重要的研究方向。其中,剪枝（pruning）由于能够有效地减少模型参数数量、提升模型运行效率而受到重视。剪枝是指通过移除深度卷积神经网络的冗余成分,精简网络,从而达到压缩和加速的目的。在剪枝过程中,如何选择恰当的节点进行删除,以减少剪枝过程对模型性能的损害,是一个重要的问题。现有方法大多采用基于范数的选择策略或人工设计的启发式策略对节点的重要性进行评判和删除。基于范数的策略由于评判标准单一,单纯地通过节点权重的范数大小来评判其重要性,容易忽视权重较小但仍然对模型输出有重要意义的节点。人工设计的启发式策略则往往基于人为的假设,无法准确反映节点对模型输出的意义,难以适用于不同的模型和应用场景。尽管良好的节点选择策略能够减少剪枝过程对模型性能的损害,然而在剪枝过程中,由于节点的大量移除,这种损害仍无法完全避免。因此,需要采用性能恢复方法恢复剪枝后模型的性能。现有的性能恢复方法大多基于微调（fine-tuning）,将剪枝后的模型放到训练集上,以较小的学习率进行重训练。然而,直接在剪枝后的模型上进行微调,会受到信息丢失问题的不利影响,导致微调后模型的最终性能不佳。信息丢失是指在剪枝过程中,节点被移除,导致它们在最初训练时学到的信息丢失,无法在剪枝后的微调过程中被利用。本文提出一种基于随机敏感度（stochastic sensitivity）的深度卷积神经网络剪枝方法,用于深度卷积神经网络的压缩与加速。该方法提出了一种基于随机敏感度的节点选择策略,通过给节点权重施加随机扰动,计算敏感度,并将敏感度作为剪枝过程中节点选择的标准。该策略能有效反映节点对权重变化的敏感程度,进而更好地减少剪枝过程带来的模型性能损失。针对模型微调遇到的信息丢失问题,提出一种权重补偿方法,通过权重补偿,重新构建被剪枝层的权重及输出,保留被剪节点的信息,进而改善微调后模型的性能。本文分别在Le Net-5-Modified+MNIST,VGG-16+CIFAR-10,Alex Net+ILSVRC2012三组模型和数据集上进行了实验验证,取得了领先的效果。这证明了本文所述方法的有效性和先进性。