近几年随着深度学习和物联网的结合,人们开始逐渐体验到人工智能带来的便利,对于智能设备的需求日益增长。虽然人工智能技术在物联网中的应用推动了物联网的智慧化,使得物联网变得更有价值,但现在以深度学习为代表的人工智能技术都过于复杂,消耗的内存和计算资源都十分庞大,部署于物联网设备比较困难。为此本文将在模型轻量化和应用方面进行研究,旨在保持模型的性能同时,减少模型的大小和处理时间。本文主要工作如下:(1)综合分析现有目标检测算法和轻量化网络结构,对YOLOv3-tiny算法进行网络结构改造,引入分组卷积,结合短连接思想加入旁路分支,从结构上减少模型参数与计算量。最终将模型大小从33.26MB减少到了3.47MB,压缩了10倍,在嵌入式平台的处理时间加速了7倍,同时平均准确率提升6%。(2)改进后的模型仍然可以进一步轻量化,根据对模型参数的分析,发现有一部分处于未激活或者低响应状态,对此本文对冗余或者相似通道提出剪枝方法,并提出一种二次通道剪枝的剪枝策略。将模型大小进一步压缩到1.79MB,并结合NEON等加速卷积运算,检测速度达到了0.5秒/帧,模型平均准确率比YOLOv3-tiny提升了2%。(3)设计了一种针对于弱计算的服务器和嵌入式设备的边缘智能系统,将压缩过的模型分解为两部分,一部分放在嵌入式设备上运行,另一部分放在服务器上运行。本方法在不减少准确率的同时,将传输带宽减少了20倍以上,处理速度达到4～5帧/秒,对于边缘智能系统十分有用,并结合目标跟踪算法应用于智能监控,系统的整体正确率达到了84%。综上所述本文对于深度学习模型过于冗余复杂的问题,改进了其结构并使用通道剪枝等压缩方法对其进行轻量化,取得了较好的效果,在嵌入式设备上取得了较快的处理速度,具有一定的实用价值。