人体检测在智能机器人、车辆辅助驾驶、智能安防监控等领域有着巨大的应用价值。人体检测也是很多视觉任务的研究基础,比如行人跟踪、人体行为识别、人群计数等。传统的目标检测算法需要人工选择特征,特征的好坏直接影响准确度,因此泛化能力很差。基于深度学习的算法精度高,但对计算平台的计算能力和存储资源提出了非常苛刻的要求,难以直接在嵌入式设备上运行。在算力低的嵌入式设备中实现实时的人体检测是深度学习算法落地的一大挑战。针对以上问题,本文在前人的研究基础之上,从轻量化网络的构建以及针对现有模型进行压缩两方面展开研究,并将最终的算法应用在海思Hi3519AV100平台。（1）基于轻量化主干网络的人体检测方法。针对YOLOv3模型体积太大问题,使用Mobile Net V2来替换YOLOv3的特征提取模块Dark Net53,并使用深度可分离卷积进一步替代YOLOv3中的普通卷积,使模型的参数量和计算量大幅降低。合并BN层到卷积层后进一步提升了模型的推理速度,实验结果表明改进后的Mobile Net V2-YOLOv3在Hi3519AV100上的推理速度与原有YOLOv3网络相比大幅提升。（2）基于通道剪枝和层剪枝的模型压缩方法。在对比现有的模型压缩方法的优劣后,选择结构化剪枝的方法对YOLOv3进行压缩。在现有的通道剪枝的算法上,对稀疏训练以及剪枝的策略进行改进。在通道剪枝的基础上,进一步展开联合层剪枝和通道剪枝的剪枝方法的研究,实现对模型“宽度”和“深度”两个维度的压缩。设置不同的剪枝比例进行多组实验,得到不同大小不同精度的压缩后的模型。结果表明,该算法在精度损失不大的情况下,能够对模型进行大幅度的压缩。（3）基于海思Hi3519AV100的人体检测算法应用。利用Hi3519AV100搭建人体检测软硬件平台,对NNIE及Caffe1.0不受支持的网络层进行扩充和移植,利用Ruyi Studio软件完成模型的转换和验证,实现对实时视频流的人体检测。本文的实验结果表明,深度学习算法在进行合理的轻量化以及模型压缩后也是可以在算力低下的嵌入式设备上运行的。