随着深度神经网络（DNNs）在边缘设备上的应用日益广泛，网络压缩技术的重要性愈发凸显。针对现有方法在边缘设备部署上的挑战，研究者提出了一种创新的分数阶高斯滤波与剪枝（FGFP）框架。该框架将分数阶微分计算与高斯函数相结合，构建了分数阶高斯滤波器（FGFs）。通过引入Grünwald-Letnikov分数阶导数来近似分数阶微分方程，显著降低了计算复杂度，使每个核的参数数量减少至仅7个。此外，FGFP框架还整合了自适应非结构化剪枝（AUP）技术，进一步提升了压缩率。实验结果表明，在CIFAR-10数据集上，ResNet-20模型在压缩85.2%的情况下仅损失1.52%的准确率；在ImageNet2012数据集上，ResNet-50模型在压缩69.1%的情况下仅损失1.63%的准确率，性能优于现有方法。