道路目标检测是智慧交通、自动驾驶领域里备受关注的关键问题和研究热点。近些年来,随着深度学习技术的迅速崛起,使用卷积神经网络的道路目标检测算法相对于传统采用滑动窗口或者图像分割技术的检测算法在准确度和处理时间上有了很大的提高,但依然存在一些问题。虽然复杂的卷积神经网络结构设计能够提高道路目标检测的准确率,但是复杂的算法设计带来的是超额的计算量和参数数量,以及过大的模型体积,这些导致基于卷积神经网络的目标检测算法对计算设备的算力有更高标准的要求。但在移动互联的当下,算法难以直接在计算资源受到限制的移动设备和嵌入式设备上的部署和应用,同时算法在算力受限的移动设备上检测推理速度表现较差,致使应用价值有限。对此本文展开深入研究,针对基于深度学习的道路目标检测算法的复杂网络结构设计进行轻量化改进,降低对计算资源的要求,保持检测效果,提高检测速度,并且在移动端设备上对其进行部署和应用。其中,本文具体工作内容如下:（1）本文研究了具有检测精度又能实现实时检测效果的一阶段目标检测算法后,在YOLOv5s目标检测算法的基础上,借鉴MobileNetv2轻量级网络实现原理,引入了深度可分离卷积和倒置的残差结构在特征提取层进行轻量优化,解决参数量大和信息丢失问题,在保持检测效果的同时减少算法的大小和参数量。本文改进后的算法在COCO和VOC数据集上的mAP指标分别达到30.1%和70.1%,相比其他轻量级目标检测算法均有良好表现,同时在移动设备上进行检测速度对比实验,本文算法的检测速度均要优于其它轻量级目标检测算法。（2）本文设计并实现了基于深度学习的道路目标检测算法在移动端的部署和应用,通过在移动端调用摄像头、识别图库的照片等方式完成了对道路目标的检测,能够满足实时检测的需求。