针对目前BNN(Binarized Neural Network)剪枝方法存在剪枝比例低、识别准确率显著下降以及依赖训练后微调的问题，提出了一种基于三值向二值演化的滤波器级的BNN剪枝方法，命名为ETB(Evolution from Ternary to Binary)。ETB是基于学习的，通过在BNN的量化函数中引入可训练的量化阈值，使权重和激活值逐渐从三值演化到二值或零，旨在使网络在训练期间自动识别不重要的结构。此外，一个剪枝率调节算法也被设计用于调控网络的剪枝率。训练后，全零滤波器和对应的输出通道可被直接裁剪而获得精简的BNN,无需微调。为证明提出方法的可行性和其提升BNN推理效率而不牺牲准确率的潜力，在CIFAR-10上进行实验：在CIFAR-10数据集上，ETB对VGG-Small模型进行了46.3%的剪枝，模型大小压缩至0.34 MByte,准确率为89.97%,并在ResNet-18模型上进行了30.01%的剪枝，模型大小压缩至1.33 MByte,准确率为90.79%。在准确率和参数量方面，对比一些现有的BNN剪枝方法，ETB具有一定的优势。