三维卷积神经网络（3DCNNs）已被应用于许多任务，例如视频和三维点云识别。然而，由于卷积核的维度较高，3DCNNs 的空间复杂度通常大于传统的二维卷积神经网络（2DCNNs）。为了在受限环境（如嵌入式设备）中部署 3DCNNs，神经网络压缩是一种有前景的方法。在这项工作中，我们采用了张量链（Tensor Train, TT）分解，这是一种简单且直接的原位训练压缩方法，来缩小 3DCNN 模型。通过提出将 3D 卷积核转换为 TT 格式的张量化方法，我们研究了如何选择合适的 TT 秩以实现更高的压缩比。我们还讨论了 3D 卷积核在压缩中的冗余性、这项工作的核心意义及未来方向，以及理论计算复杂度与实际执行时间之间的关系。基于 VIVA 挑战、UCF11 和 UCF101 数据集的多项对比实验表明，TT 分解可以在不显著损失精度的情况下将 3DCNNs 压缩约一百倍，这将使其能够在广泛的现实场景中得到应用。