在深度学习算法的实际应用中，为了减少大量的参数和繁重的计算量，剪枝被广泛应用于模型压缩任务中。然而，大多数剪枝方法只使用训练后的模型参数作为训练的初始参数，而不使用模型本身的特征信息。因此，本文提出了一种基于模型特征学习增强的动态剪枝方法，该方法不需要数据集的类别标签。一方面，本文利用基准模型（训练模型）输出的预测类别信息和中间层特征作为监督信息，指导压缩子模型的任务学习，增强了压缩模型学习基准模型特征的能力。另一方面，本文利用不同压缩子模型的输出信息相互学习，另外，本文采用了一种动态结构化的稀疏正则化方法，该方法只对期望的稀疏参数进行正则化，并使用基于泰勒级数的信道敏感性准则来确定期望的稀疏参数，采用动态稀疏迭代收缩阈值算法（ISTA）求解约束剪枝率的优化问题。模型训练后，该方法直接去除冗余参数，修剪后的模型不需要进行微调。在多种网络结构和数据集下，该方法取得了良好的压缩性能