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。

为提高数据传输效率，通常对数据进行压缩处理，传统准入控制机制没有考虑数据压缩情况，以连接阻塞（中断）率度量性能。提出一种基于压缩感知的双粒度多门限准入控制策略，通过压缩感知，从连接级和原始信息级两种粒度进行准入控制，采用门限控制机制。同时提出原始信息损失率和原始信息传输效率两种新的准入控制性能标准。理论分析与仿真表明，原始信息损失和原始信息传输效率能较好度量准入控制的性能，压缩感知的准入控制机制具有明显的性能增益。