目标检测是计算机视觉以及图像和视频处理技术的重要应用领域,其任务是根据图像或者视频的视觉特征来定位和分类其中的目标实体。随着深度学习技术在计算机视觉领域的应用,目标检测模型的性能比以往有了很大提升,然而实际中大部分模型因为计算量和参数量庞大,导致在边缘侧部署起来困难,因此轻量化目标检测算法的研究和应用越来越重要。设计轻量级目标检测网络,需要结合应用场景来考虑问题,因为这种模型通常部署在移动设备上。首先需要根据设备算力的差异灵活的调整模型尺寸;其次当考虑轻量级目标检测模型的平台兼容性,要求在不改变网络结构的基础上压缩模型;再次,当考虑存储空间及功耗开销时,一般的深度学习模型中有大量的浮点运算,不适合直接用于移动设备上运行。因此针对上述提到的问题,本文的开展的工作如下:（1）针对轻量级目标检测模型无法灵活适应不同算力的设备,从优化网络结构的角度出发,采用通道剪枝的方法来压缩目标检测模型,并通过减小训练迭代时BN层的相关性提高剪枝的准确度。对于性能不同的移动设备,可以根据其算力,调节网络剪枝的比例,提高了模型部署的灵活性,让模型能适应多种不同的移动设备。（2）针对轻量级目标检测模型对系统软硬件环境有特别的要求,从不改变模型基本结构的角度出发,采用知识蒸馏的方法提升轻量化目标检测模型输出的目标位置和类别准确度,并通过域对齐的方法进行特征谱线索蒸馏来改善学生网络的特征。经过蒸馏后的轻量级模型可以直接部署在原来的系统中,而不需要软硬件对其针对性优化。（3）针对轻量级目标检测网络浮点数存储及计算开销大的问题,从目标检测模型参数的存储形式出发,提出通过定点量化网络参数的方法,采用感知量化训练后再进行参数量化,并通过引入软量化函数让量化误差能够参与训练。将原始目标检测模型从浮点计算转换为定点数计算,能够减少处理器的功耗开销和延长移动设备的工作时间。