Para reducir aún más el tamaño del modelo de red neuronal y permitir que la red se implemente en dispositivos móviles, en este documento se propone un novedoso algoritmo de poda de fusión basado en estratificación de entropía de información. En primer lugar, el método encuentra filtros similares y elimina partes redundantes mediante Clustering de Propagación de Afinidad, luego poda aún más los canales utilizando estratificación de entropía de información y el factor de escala de la capa de normalización por lotes (BN), y finalmente restaura la precisión del entrenamiento mediante ajuste fino para lograr un tamaño de modelo de red reducido sin perder precisión de red. Se realizan experimentos en la red vgg16 y Resnet56 utilizando el conjunto de datos cifar10. En vgg16, los resultados muestran que, en comparación con el modelo original, la cantidad paramétrica del algoritmo propuesto en este documento se reduce en un 90.69% y la computación se reduce al 24.46% de la original. En ResNet56, logramos una reducción de FLOPs del 63.82% al eliminar el 63.53% de los parámetros. La ocupación de memoria y la velocidad de computación del nuevo modelo son mejores que el modelo base manteniendo una alta precisión de red. En comparación con algoritmos similares, el algoritmo tiene ventajas evidentes en las dimensiones de velocidad computacional y tamaño del modelo. El modelo podado también se implementa en Internet de las cosas (IoT) como un sistema de detección de objetivos. Además, los experimentos muestran que el modelo propuesto es capaz de detectar objetivos con precisión en poco tiempo de razonamiento y memoria. Solo toma 252.84 ms en dispositivos integrados, coincidiendo así con los recursos limitados de IoT.