【目的】深度神经网络的应用面临庞大的计算需求和存储开销，这已成为限制其在边缘设备上广泛应用的主要瓶颈。边缘设备因受限于有限的计算资源和存储空间，难以高效运行复杂的深度神经网络模型。因此，在保证模型精度的前提下，如何降低深度神经网络的复杂度和计算量以适应边缘设备对资源轻量化的需求，已成为当前研究的重要方向。提出了一种结合蚁群算法与双角度并行剪枝的深度神经网络优化方法，以提升深度神经网络在边缘设备中的性能。【方法】分析了深度神经网络的结构特点，并构建了包含多个隐藏层的模型。通过蚁群算法模拟蚂蚁觅食过程中的信息素传递机制，在复杂空间中寻找近似最优解，对隐藏层中的相似节点进行聚类，识别并归类高度相似的神经元节点，从而缩减网络规模并降低复杂性。在聚类结果的基础上，提出了对聚类后的冗余节点及游离节点双角度并行剪枝策略：一方面，从权重矩阵的稀疏性出发，裁剪权重较小的节点，以减少计算开销；另一方面，从节点贡献度角度评估每个节点对整体输出的影响，裁剪贡献度较低的节点，从而进一步优化网络结构。【结果】实验结果表明，与未剪枝的原始模型相比，在相同的计算时间内，本文方法剪枝后的深度神经网络在保持较高精度的同时，其数据量高达120 MB、网络复杂度平均值为88.32%、可拓展性为99%。这一结果表明，在有限的资源条件下，该方法能够显著提升深度神经网络的运行效率，更好地满足边缘设备的应用需求。实验结果不仅验证了该方法的有效性，也为深度神经网络在边缘设备上的部署和应用提供了新思路。【结论】提出的优化方法通过在剪枝过程中应用蚁群算法，实现了隐藏层相似节点的精准聚类，为后续的剪枝处理提供了明确目标。同时，双角度并行剪枝策略提升了剪枝的效率和效果，确保剪枝后模型在精度和可拓展性方面的平衡。该方法不仅能够促进深度神经网络在边缘设备上的广泛应用，也为复杂网络优化问题提供了借鉴和参考价值。