随着人工智能和深度学习的发展,目标检测成为当前的热点之一,在自动驾驶、遥感、视频监控和机器人视觉等多个领域有着广泛的应用前景。传统的目标检测算法不仅设计困难,而且不能够充分的提取目标的特征信息,算法的检测精度取决于手工设计的特征表示和特征提取算法的合理性,这也就导致检测效果不理想。目前基于深度学习的目标检测算法检测精度远远超过传统的算法成为了主流,但是目前的卷积神经网络模型对硬件要求高,往往精度越高的算法其模型越大,而越大的模型检测速度往往越慢,这就导致了精度高的目标检测算法缺乏实时性。随着轻量级卷积神经网络的发展,轻量化的检测模型也越来越得到了关注。本文以提升目标检测算法检测速度,满足实时性要求,实现目标检测算法的轻量化为目标,对FCOS算法及相关轻量化方法和改进模型方法进行了相关研究。首先,FCOS是一种一阶段的anchor-free的目标检测模型,检测精度甚至超过了部分两阶段与anchor-base的检测模型,但仍存在检测速度慢,不能实时检测的问题。针对FCOS算法不能实时检测的问题,提出了一种轻量化目标检测模ILFCOS。ILFCOS模型引入Mobile Nete V2结构作为主干网络,通过替换普通卷积为深度可分离卷积,在提高模型检测速度的同时,降低了模型大小。然后,采用减小输入的尺寸,修剪多余的特征金字塔的分支以及多尺度训练的方法,在保持检测精度的前提下大幅度提升了检测速度。接着,融入边缘信息提取模块,加入Sobel算子提取的方向梯度,增加输入数据的维度,增强边缘语义信息;使用Mish激活函数替换模型Head部分的Re LU激活函数,保留负值部分的语义信息,提高模型泛化能力;使用DIo U作为评价指标,更准确地描述预测框与目标框的相似程度,优化目标框的回归损失值。从以上这三方面优化模型算法,最终在MS-COCO2014数据集的实验结果表明,ILFCOS算法的平均准确率达到34.0,每秒检测的图片数量达到了72.5,能够满足实时检测的需求。最后,针对ILFCOS检测精度低的问题,引入注意力机制。提出一种改进的CA模块,以及两种融合注意力机制的方法。通过在主干网络和特征金字塔融入改进的CA模块,提升了模型特征提取和特征融合的能力。最终在MS-COCO2014数据集的实验结果表明,融合注意力机制的ILFCOS算法的平均准确率达到35.8,每秒检测的图片数量达到了62.3。与ILFCOS算法本身相比,虽然检测速度下降10.2FPS,但是仍远远超过实时检测的需求;与原FCOS算法相比,在精度上仅相差2.8的情况下,检测速度提升了三倍左右,成功完成了对模型的优化。