由于移动互联网的不断发展,移动设备能力不断提升,人工智能在移动环境中的应用更加广泛。目标检测是一项基础的计算机视觉任务,基于目标检测技术移动终端产生了丰富的智能应用,而移动环境也带给目标检测带来了数据难题和效率难题:(1)移动环境带来了更广泛的场景,但是也对模型精度提出了更高要求,这就对数据广度提出了更高的要求,不断扩充数据才能满足移动环境的需求;(2)移动环境中有更丰富的图像数据、更复杂的深度学习模型和更丰富的应用程序对移动终端的计算效率提出了更高的要求。要实现目标检测模型在移动环境中良好落地应用,首先需要解决这两个问题。针对上述问题,本文研究目标是设计并实现面向移动终端的分布式目标检测,提升对移动终端目标检测任务处理能力,具体研究内容包括:(1)研究面向去中心化数据的目标检测模型训练算法,实现目标检测模型的多方协同有效训练,通过联邦学习算法训练目标检测模型,提出异常值抑制算法,缓解数据分布不均匀带来的不良影响,获得更高精度模型,充分利用移动终端积累的数据优化目标检测模型;(2)研究基于强化学习的目标检测模型智能协同推理,实现模型在移动终端的自动任务分配和模型部署,根据运行环境智能调节分配方案,有效提升模型推理速度,最终在多台异构移动设备上智能分布式执行目标检测模型,速度提升约10.6%;(3)实现面向移动环境的智能、高效的分布式目标检测系统,包括服务器端完成模型分布式策略生成和移动终端目标检测任务的多设备分布式执行。三项内容分别对移动环境中数据有效应用、模型高效推理方案和目标检测框架建设展开研究,共同完成面向移动终端的目标检测框架的研究与实现。研究实现面向移动环境的分布式目标检测框架,扩展移动环境中的可用数据,提升模型在移动环境中的效率,更精确、更迅速的目标检测算法能够促进移动环境中更多计算机视觉应用落地。