目标检测是计算机视觉主流方向之一,得益于深度学习的兴起,广泛应用于智慧城市与新基建、安防、金融、医疗健康、电商与实体零售、无人驾驶等场景,如今基于深度学习的目标检测算法发展成了两条技术路线:anchor based方法和anchor free方法,由于anchor based方法需要设定的超参、冗余框非常之多造成正负样本严重不平衡问题导致设计要求高,而anchor free方法具备更大更灵活的解空间,降低了使用anchor而带来计算量从而让目标检测实时性和准确率进一步得到提升。因此,本文基于深度学习的anchor free目标检测算法FCOS（全卷积单阶段目标检测）进行改进,提高了其检测的精度,并且对网络进行轻量化替换,在减少模型大小的同时兼顾精度,可使得其更广泛的应用于各类场景。本文具体的研究工作如下:（1）针对FCOS存在检测能力不足的问题,设计一种新的模型结构Im-FCOS。首先,Backbone（骨干网络）保持不变;然后,在Neck网络结构中,引入经过改进的BiFPN加权双向特征金字塔,并且不重复使用repeatd blocks,在保证其充分提取不同层的多尺度特征信息的同时,又缩小网络以减少模型的计算量和参数量;最后在Head（检测头）中进行单独检测以便检测不同尺寸的特征图输入,分类分支使用QFL（质量焦点损失函数）来预测分类和改善边框质量,进一步消除训练和预测时置信度的差异,回归分支使用DFL（分布焦点损失函数）来改善边框位置的分布,同时为了辅助收敛提高坐标回归的准确性,还增加了GIo U Loss。通过COCO2017数据集上进行测试和FCOS（base Resnet-50）算法相比,其检测精度m AP提高了3.6%,提高了检测精度。（2）针对上述提出的FCOS改进方法,其模型占用的存储空间大、参数量多,限制了模型的实时化性能和部署问题,因此本文提出了一种轻量化的网络结构LImFCOS。在Backbone上使用ShuffleNetV2来替代Resnet-50,在Neck结构中继续使用上述提出的改进BiFPN方法,卷积层使用DSC（深度可分离卷积）代替普通卷积,为减少参数量特征通道数也由256降为128,Head（检测头）方法不变。通过COCO2017数据集上测试,和FCOS（base Resnet-50）相比,其算力降低了10%,且精度达到了27.5%。同时和anchor free轻量化模型YOLOX-Nano相比,多了1.54M参数量、0.43GFLOPs,精度提升了2.2%。说明网络轻量化有效。