在生产和生活中,农业扮演着一个极其重要的角色,它是一切生产活动的先决条件。而在农作物的生产活动过程中,最大的危害就是杂草,杂草不但具有旺盛的生命力,而且可以和农作物争夺养分、阳光等。随着科学技术的不断更新和进步,精准农业、智慧农业等新概念被提出,因此,研究准确快速的杂草检测方法变得十分重要。但是现有的有关杂草检测的研究还存在一些不足,如网络模型参数量大,小尺寸作物与杂草漏检误检等问题,这些问题使得现有的杂草检测算法的检测效果并不理想。因此,本文以图像处理及深度学习理论为基础,以甜菜及其伴生杂草为研究对象。主要工作可归结如下:（1）针对SSD（Single Shot Detector,SSD）网络模型参数量大,小目标检测效果差,作物与杂草检测精度低等问题,本文提出了一种基于多尺度融合模块和特征增强的杂草检测算法。首先,在SSD模型中使用轻量网络MobileNet提取图像的特征,替代原有的特征提取网络VGG16,以减小模型参数规模;然后设计了一种多尺度融合模块,以提升小目标检测效果,具体而言,通过通道注意力机制增强浅层特征图中的关键信息,再利用不同膨胀率的扩张卷积扩大特征图的感受野,从而充分获取目标的上下文信息,最后将两条分支进行特征融合,使得浅层特征图在检测小目标时,既含有较多小目标细节信息,又含有丰富的语义信息,从而解决小目标漏检的问题;在此基础上利用通道注意力机制对输出的六个特征图进行特征增强。经实验验证,本文提出的基于多尺度融合模块和特征增强的杂草检测模型,在自然环境下甜菜与杂草图像数据集中,可达到88.84%的平均检测精度均值,较标准SSD模型提高了 3.23%,参数量减少了 57.09%,检测速度提高了 88.44%,同时模型对小目标作物与杂草,植物叶片间互相交叠情况的检测能力均有提高。（2）针对卷积神经网络模型巨大的参数量和计算量,导致卷积神经网络难以应用到现实场景中的问题,本文提出了一种基于动态剪枝神经网络的杂草检测算法。该算法首先借助SE（Squeeze and Excitation Networks）模块评估出网络中各个通道的重要性,并施加稀疏正则化;然后提出了一种网络稀疏度的自适应惩罚权重,根据目前模型学习效果的好坏,动态调整权重大小,将其添加到最终的训练目标上,实现模型动态压缩。最后,通过实验来验证所提出的模型压缩方法,在经典的多分类数据集CIFAR-10上进行实验,证明了本文所提出的基于动态剪枝神经网络的杂草检测算法充分挖掘了网络的冗余,使网络模型参数量减少了 43.97%,计算量减少了 82.94%,而精度损失很小。随后又将提出的模型压缩方法应用到（1）中提出的改进模型中,在甜菜与杂草数据集上进行实验,证明了该方法在目标检测任务上也可以有很好的效果,模型经剪枝后的检测精度基本不变。还可以得出像MobileNet这样的轻量化网络模型也可以被进一步压缩,压缩后的网络模型依然可以保持较高的检测精度。