随着深度学习的不断发展和硬件计算能力不断提升,计算机视觉被越来越多的研究者所关注。目标检测作为计算机视觉中的研究热点,其主要目标是:在图像中同时给出待检测物体的分类信息和坐标信息。在实际应用中,许多其他任务是基于目标检测的结果进行的,目标检测任务效果的好坏将直接影响后续任务的表现,进而影响到最终实际应用的效果。同时更快的检测速度可以使得应用更好的满足实时性的要求。因此,对于实际应用,优化目标检测算法的检测精度和检测速度,意义重大。本文的目的就是优化目标检测算法的性能,设计更加适合于实际应用的目标检测器。一般来讲,精度和速度存在相互制约的关系,一般的优化很难做到二者同时提升。本文通过调研发现,很多实际应用场景具有待检测类别较少并且背景相对固定的特点。因此本文针对此类特定场景,同时优化目标检测算法的检测精度和检测速度,主要工作和贡献如下:(1)根据本文所限定的场景特点,对目标检测模型的卷积核进行裁剪,保留网络深度的同时缩减了网络宽度。实现了检测速度成倍的提升,同时精度下降在可接受的范围内。(2)提出了自适应Focal Loss损失函数,省去手动设置超参数的步骤,让网络可以根据训练过程中收敛的情况,自适应的调节超参数,使得网络训练结果更优,提升模型检测精度。(3)针对应用场景对检测准确率和召回率的不同要求,改进了原有的基于贪心的非极大值抑制算法,提出了两种改进后的算法:Precise-NMS和Better-NMS,分别适合于高准确率和高召回率的场景。最终在加油站、咖啡厅和自动驾驶三个场景的数据集下进行实验验证,目标检测模型速度提升5.5倍,达到了192FPS,mAP分别提升了 2.47、2.34 和 0.31。