随着智能化时代的到来,目标识别技术已在诸多领域得以实现。针对不同的识别任务人们常依赖于专家经验所设计的网络,这就需要专家具备较高的设计水平和实践能力,无形中拉高了网络框架设计的门槛。因此借助神经网络架构搜索算法实现网络的自动搜索成为了当今研究的热点,通过神经网络搜索出的网络具有参数量小、模型复杂度低、检测速度快等优点。本文的第一个研究内容是选择一个最适合与MobileNet轻量化网络结合的目标识别算法框架,其中算法框架包括SSD、YOLOv3、YOLOv4、RetinaNet、Faster-RCNN。在VOC2007+2012（简称VOC）数据集上的结果表明,MobileNet与YOLOv4进行结合的精度是最高的,可以满足轻量化的需求,因此选择YOLOv4作为研究框架。虽然MobileNet-YOLOv4较YOLOv4的精度有一定下降,但参数量和复杂度分别下降40%和20.3%,FPS达到60。随后将绝缘子数据集在轻量级算法MobileNet-YOLOv4中进行训练,测试结果表明,模型识别绝缘子的精度为97.78%,平均检测速度比YOLOv4快0.168s,权重参数较YOLOv4降低20.91%。本文的第二个研究内容是对可微网络架构搜索算法DARTS进行研究,选择VOC和COCO2017作为研究训练数据。使用DARTS算法在以上两个数据集上进行网络搜索,分别搜索出Reduction Cell和Normal Cell。通过采用14个Cell堆叠的网络替换YOLOv4的主干提取网络,一定程度上减小了模型参数量和复杂度。随后引入知识蒸馏的训练方法,将ResNet101网络作为教师网络,DRATS在上述两个数据集上搜索出来的网络作为学生网络,通过蒸馏的方式对学生网络进行训练提高模型精度。DD-YOLO算法在VOC数据集上的m AP达到88.56%,较YOLOv4的参数量和复杂度分别下降97.58%、61.25%,FPS达到58。在COCO数据集上的精度达到43.5%,参数量和复杂度分别下降为原来的97.5%、61.4%,FPS达到58。综上所述MobileNet-YOLOv4和DD-YOLO算法在检测速度、参数量和复杂度方面均有所改进,因此应根据不同的应用场景上选择这两个不同的算法。