目标检测作为机器视觉领域中的一个研究热点,在医疗、军事、安防等领域中都有着广泛的应用。现有一阶目标检测算法虽然在实时性能方面表现出色但在细粒度目标检测和目标边界框精度方法存在一定的不足。且在算力受限的嵌入式等设备中应用时也存在一定的不足。如何保证一阶目标检测算法在应用时检测精度和检测速度的均衡成为了一个需要解决的问题。本文归纳总结了近几年目标检测算法的研究情况、算法框架以及算法技巧。针对算法中的问题和实际的应用情况。以一阶目标检测算法中的YOLO系列算法为研究对象,对算法的框架和损失函数等方面进行改进,提高算法的目标检测精度和速度,降低模型的复杂度,本文所有实验都是采用VOC数据集测试算法的目标检测精度。本文主要完成的工作如下:（1）由于现有一阶目标检测算法无法实现复杂目标任务的准确检测。以YOLOv3算法为优化对象,对算法的激活函数Leaky Re LU、边框回归损失函数Smooth L1、分类损失函数交叉熵损失函数以及算法特征融合网络进行优化。使用Mish和Swish激活函数替换Leaky Re LU激活函数,使用GIOU和CIOU损失函数替换Smooth L1边框回归损失函数。实验结果显示使用Mish激活函数和CIOU损失函数时,算法的目标检测精度m AP值提升最大,从77.44%提升至78.67%。借鉴Focalloss的思想使用α和γ参数分别控制交叉熵分类损失中正负样本和难易样本的权重值,结果显示α=0.75、γ=2时,算法的m AP值提升最大,从78.67%提升至80.00%。在特征融合网络中加入空间金字塔池化模块（Spatial Pyramid Pooling,SPP）和注意力机制模块（Convolution Block Attention Module,CBAM）可以将YOLOv3算法的m AP值从80.00%提升至82.25%。相比于优化前的YOLOv3算法,本文优化方法将YOLOv3算法的目标检测精度m AP值从原YOLOv3算法的77.44%提升至82.25%,总共提升4.81%,优化效果明显。（2）针对嵌入式等设备条件下实现目标检测任务速度较慢的问题,本文利用YOLOv4算法模型在此基础上设计一个轻量化目标检测模型。对YOLOv4算法的特征提取网络CSPDark Net-53和特征融合网络中的普通卷积和SPP模块进行优化。使用Mobile Netv3和Ghost Net网络替换YOLOv4的CSPDatk Net-53网络,使用深度可分离卷积替换特征融合网络中的普通卷积,上诉方法是为了降低YOLOv4算法的计算量。使用结合了深度可分离卷积的空洞空间金字塔池化模块（Atrous Spatial Pyramid Pooling,ASPP）去替换YOLOv4算法特征融合网络中的SPP模块,在算法特征提取网络的三条输出通道中加入高效注意力机制模块（Efficient Channel Attention,ECA）。结果显示,优化后YOLOv4算法的计算量从64,363,101下降为17,013,068,缩减为原YOLOv4算法的26.4%,目标检测精度m AP有少量下降,从71.56%下降为65.95%。通过以上改进方法,YOLOv4算法的计算量大幅度下降,同时保证了目标检测的精度。