1.一种基于卷积特征响应图的网络剪枝方法，其特征在于包括如下步骤：

步骤1：读取网络权重文件和网络配置文件，得到初始网络结构N0；

步骤2：读入训练样本集合Sample＝{(Ik,labelk)|k＝1,2,3,…,nsample}，其中Ik表示宽度为Wk高度为Hk的训练样本图像，labelk为对应的图像标签信息，nsample表示训练样本数量，labelk＝(xk,yk,wk,hk)，(xk,yk)表示目标区域在图像中所在位置的左上角坐标，wk和hk分别表示目标区域在图像Ik中的宽度和高度；

步骤3：将图像和标签文件(Ik,labelk)输入到网络中，并根据各层特征响应图进行网络剪枝操作，具体如下：步骤3.1：将图像Ik输入初始网络结构N0中，并进行前向传播，得到网络卷积特征图集合R＝{rij|i＝1,2,3,…,n,j＝1,2,3,…,m}，其中rij表示图像Ik经过第i层中第j个卷积后得到的卷积特征响应图，n表示网络的层数，m表示该卷积层中的卷积数量，经过步骤3.1前向传播后的网络卷积特征图如图2所示；

步骤3.2：根据式(1)计算卷积特征图rij中标签区域内的像素值之和vposij，根据式(2)计算rij中标签区域外的像素值之和vnegij；

其中，vpq表示在卷积特征图rij中坐标(p,q)位置的像素值，(xij,yij)表示在rij中目标区域左上角的坐标，wij和hij分别表示在rij中目标区域的宽度和高度，Wij和Hij分别表示rij的宽度和高度；

步骤3.3：根据式(4)计算特征图rij中的目标响应比tij；

步骤3.4：剔除满足式(5)的卷积滤波器，并更新初始网络结构N0；

tij＜λ   (5)

其中λ表示事先给定的卷积剔除阈值；

步骤4：将样本(Ik,labelk)从训练样本集合Sample中剔除，并重复步骤3和4，直到Sample中再无样本可剔除，得到最终的剪枝网络Nfinal。