本发明公开了一种基于输出激活映射的过滤器剪枝方法，包括以下步骤：S1：设定超参数；S2：预训练初始模型得到基线模型，作为当前需要剪枝的模型；S3：对当前需要剪枝的模型运行基于相关性和冗余度的过滤器综合评价准则；S4：根据每个卷积层的过滤器排名，修剪每层相应数量的贡献较小的过滤器；S5：对剪枝后的模型进行再训练以此恢复精度下降；S6：判断每层剩余过滤器的数量是否已经达到每层需要保留的过滤器的数量，直至模型剪枝完毕。还公开了一种基于输出激活映射的过滤器剪枝方法的图像分类系统及其边缘设备。本发明从相关性和冗余度两个方面综合评价过滤器贡献以此进行过(56)对比文件Zi Wang et al..Convolutional NeuralNetwork Pruning with StructuralRedundancy Reduction《.arxiv.org》.2021,第1-10页.HongFang Zhou et al..Featureselection based on conditional mutualinformation: minimum conditionalrelevance and minimum conditionalredundancy《.Applied Intelligence》.2019,第883-896页.陈程军;毛莺池;王绎超.基于激活-熵的分层迭代剪枝策略的CNN模型压缩.计算机应用.2020,(05),全文.夏海峰;袁晓彤.模型压缩中的对抗鲁棒性实验分析.陕西师范大学学报(自然科学版).2020,(02),全文.严阳春 等.基于权重关联性的卷积神经网络模型剪枝方法《.小型微型计算机系统》.2021,第42卷第1500-1504页.宋非洋 等.基于MobileNetV3的结构性剪枝优化《.自动化与信息工程》.2019,第40卷第20-25页.