针对卷积神经网络(CNN)模型现有剪枝策略各尽不同和效果一般的情况，提出了基于激活-熵的分层迭代剪枝(AE-LIP)策略，保证模型精度在可控范围内的同时缩减模型的参数量。首先，结合神经元激活值和信息熵，构建基于激活-熵的权重评判准则，计算权值重要性得分；然后，逐层剪枝，根据重要性得分对权值排序，并结合各层剪枝数量筛选出待剪枝权重并将其设置为0；最后，微调模型，重复上述过程，直至迭代结束。实验结果表明，采用基于激活-熵的分层迭代剪枝策略:AlexNet模型压缩了87.5%;相应的准确率下降了2.12个百分点，比采用基于幅度的权重剪枝策略提高了1.54个百分点，比采用基于相关性的权重剪枝策略提高0.91个百分点。VGG-16模型压缩了84.1%；相应的准确率下降了2.62个百分点，比采用上述两个对比策略分别提高了0.62个百分点和0.27个百分点。说明所提策略在保证模型精确度下有效缩减了CNN模型的大小，有助于CNN模型在存储受限的移动设备上的部署。

针对多微云计算模式下计算任务卸载过程复杂、任务响应时间长的问题，构建面向多微云协作的计算任务卸载模型，并提出加权自适应惯性权重的粒子群优化（WAIW-PSO）算法，快速求解最优卸载策略。首先，对移动终端-微云-远程云的任务执行过程进行建模；其次，考虑多用户对计算资源的竞争，构建基于多微云协作的任务卸载模型；最后，针对求解最佳任务卸载策略复杂度过高的情况，提出WAIW-PSO算法求解卸载问题。仿真实验结果表明，与标准粒子群优化（PSO）算法以及基于高斯函数递减惯性权重的粒子群优化（GDIWPSO）算法相比，WAIW-PSO算法可以根据进化代数和个体适应度综合调整惯性权重，寻优能力较强，求解最优卸载策略的时间最短；在不同设备数、任务数等情况下选择不同任务卸载策略进行对比实验的结果表明，基于WAIW-PSO算法的卸载策略可以明显缩短任务总完成时间。