近年来,因为深度学习软硬件技术日渐成熟,以深度学习为基础的人工智能民用市场稳步发展,前景广阔,特别是在物体分类、人脸识别、目标检测、数据分析和无人操控等领域,人工智能凭借其强大的性能和高效的实现优势,成功渗透进社会生活的方方面面,受到人们的广泛关注。其中,目标检测是深度学习的重要课题之一。而如何利用尽量少的资源,更快更好的实现目标检测功能,应用于限制尽量少的场景中,即目标检测任务的轻量化移植,是值得学界研究的课题。本文立足于实现无人机在无GPS环境中进行自主定位。其要求使用视觉传感器进行数据采集,使用机载嵌入式设备运行轻量化目标检测网络处理视觉信息获取目标物体相对位置,进而实现无人机的自主定位。论文主要研究内容如下:首先,本文论述经典卷积神经网络和目标检测网络的发展历程,研究常用轻量化策略和经典轻量化网络,比较总结不同策略的优缺点,研究对目标检测网络进行轻量化改造的可行性,最终选择对YOLOv3进行轻量化改进。随后,本文深入研究YOLOv3,利用新策略改进YOLOv3的骨干网络,并结合现有的Dense Net和SPP-Net理论改进YOLOv3的特征融合网络,再对YOLOv3的损失函数做权重调整,综合提出新目标检测网络LDC-YOLO,在PASCAL VOC数据集上证明了网络在检测速度和权重大小方面的优势。最后,本文建立视觉定位坐标系,分析相机投影成像原理,使用棋盘格对相机的内部参数和畸变参数进行标定求解,在现实场景和仿真环境中,利用LDC-YOLO网络获取的目标物体信息,进行坐标系变换,求解得到无人机的相对位置信息。对该自主定位功能算法进行实验检测,结果表明算法有效,能够满足无人机自主定位的需求。