随着深度学习的飞速发展,卷积神经网络（CNN）被广泛应用于图像分类和目标识别。虽然基于深度学习的目标检测算法的精度远远超过传统方法,但是卷积运算庞大的计算资源需求在很大程度上限制了算法在边缘设备中的推理。面向边缘计算场景的目标检测算法无法同时满足对于实时性和准确性的要求。为了平衡网络模型的大小和性能,满足嵌入式平台目标检测算法计算低成本、低功耗和低延迟的“三低”要求,本文对基于深度学习的目标检测方法进行了以下研究。（1）本文提出了一个轻量级目标检测模型MobileNetV2-SSD。首先,该模型引入轻量化网络模型MobileNetV2中的倒残差瓶颈结构Bottleneck,代替SSD模型中的VGG网络作为特征提取部分的基本结构,大大的减少了算法参数量。其次,本文对网络模型的输出应用非极大值抑制（NMS）方法过滤对象周围的重复框,充分利用了层间相关性,避免了相同目标重复检测。最后,本文还修改了预测特征层的大小,加强了对小目标特征的提取。本文使用ImageNet数据集训练权重,然后对模型进行了参数量化,最终实现了轻量级目标检测模型MobileNetV2-SSD,模型可以达到72.61%的准确率。虽然相较于原本的SSD算法准确率下降了1.03%,但是参数量只有17.9MB,相较于原来的算法105.3MB减少了83.0%。实验结果表明,本文实现的目标检测算法在实时性和准确性之间取得了一定的平衡。（2）本文实现了基于FPGA的目标检测加速系统。首先,设计了普通卷积、深度卷积核逐点卷积的IP核,将所有卷积层映射到其独立的定制硬件单元。其次,在存储设置方面采用双缓存的乒乓模式,将层间的中间计算结果存储在片上缓冲区中,显著减少对外部存储器的数据访问。然后,在加速器的不同层之间实现流水线工作,提高了数据吞吐量。最后选择Zynq-7000SoC作为嵌入式开发平台对加速器系统进行仿真验证。该平台具有可移植性和一定的计算能力,适用于在移动终端中部署轻量级卷积神经网络。实验结果表明,基于FPGA的加速器系统相较于GPU实现了8.7倍的加速。