随着卷积神经网络的发展,基于深度学习的目标检测被广泛地应用到自动驾驶、智能制造和智能家居等领域中。然而,卷积神经网络对算力和存储往往有较高的要求,主流的目标检测模型在低算力和低存储的嵌入式设备上很难达到实时检测的效果。同时,在现实环境中的嵌入式设备由于部署位置和拍摄角度等原因使得获取的图像背景往往较为复杂且目标尺寸较小,这给面向嵌入式设备的目标检测模型带来了更大的挑战。为此,论文从网络结构、参数量化和特征融合三个方面对SSD（Single Shot Multi Box Detector）目标检测模型进行研究,提出了两个面向嵌入式设备的目标检测模型,具体如下:（1）提出一种适用于嵌入式设备的实时目标检测模型SSDLite-tiny。首先,使用轻量化网络Mobile Net V3作为主干网络来提取图像特征,从而减少模型的网络参数和计算复杂度;然后,在检测部分引入多尺度特征融合模块,使模型中用于预测的特征层可以获取到高层中的丰富语义信息;最后,利用感知量化技术将模型的权重和输入转换为INT8类型,进一步压缩模型并加速推理过程。在嵌入式设备NVIDIA Jetson Xavier上采用Udacity数据集评估SSDLite-tiny,其检测速度和多类别平均精度（mean Average Precision,m AP）分别达到了75.08帧/秒和18.10%。通过上述方式组合使用不同类型的模型压缩算法达到了平衡检测精度和检测速度的效果。（2）为提高小目标的检测精度,提出基于通道注意力机制的双向特征增强检测模型SSDLite-attention。首先,在多尺度特征融合的基础上提出了双向特征增强模块,从而充分利用浅层特征的细粒度信息;然后,利用通道注意力机制来挖掘小目标的上下文语义信息,将浅层特征和高层特征进行深度融合,从而提高特征对小目标的语义表征能力。在嵌入式设备NVIDIA Jetson Xavier上测试Udacity数据集,SSDLite-attention的小目标检测精度相比SSDLite-tiny的18.1%提高了5.1%,并且检测速度达到了31.6帧/秒。实验结果表明,通过注意力机制引导的双向特征增强能够提高模型的小目标检测精度。通过充分的对比实验表明,论文基于SSD模型提出的两个目标检测模型SSDLite-tiny和SSDLite-attention在嵌入式设备上能达到实时检测效果,同时SSDLite-attention模型有效提高了小目标的检测精度。