深度学习方法已被应用于红外目标检测并取得了较好的效果。然而,因为深度学习方法计算复杂、存储空间占用大,而嵌入式设备的计算及存储资源有限,所以基于深度学习的红外目标检测技术在嵌入式设备的应用仍面临着挑战。因此,开展神经网络剪枝方法研究,对实现深度学习红外目标检测算法在嵌入式设备上的部署具有积极意义。本文从课题组实际项目需求出发,针对课题组开发的基于抠图增强的红外行人车辆检测软件无法在Jetson TX2嵌入式设备中运行这一问题,通过使用神经网络剪枝方法实现检测软件中核心检测算法的精简,并基于剪枝后的检测算法开发了一套能够在Jetson TX2嵌入式设备运行的检测软件。本文的主要工作与创新点如下:（1）在对红外人车检测算法中的深度学习模型进行剪枝时,现有基于聚类的神经网络剪枝算法存在鲁棒性不强、剪枝效率低等不足。鉴于此,本研究设计了一套自适应的聚类剪枝算法,对每个卷积层进行独立聚类,并利用损失函数对聚类结果进行评估,然后根据评估结果自动为每个卷积层计算最合适的聚类结果。在KAIST、RIFIR、LSIFIR等主流红外数据集上的实验结果显示,与原算法相比,本文所提出的改进算法在剪枝率相同的情况下,可使模型性能最大提升6.6%,且不会出现因聚类失败而导致剪枝失败的问题,具有更强的鲁棒性。（2）针对自适应聚类剪枝方法未考虑相邻卷积层之间的关系这一不足,本研究设计了一种结合多层卷积层的神经网络剪枝方法。该方法将多个卷积层分成一组,并在评估与剪枝结果选择时按组选择最优的剪枝结果组合。实验结果显示,在准确率相同的情况下,与单层方法相比,多层剪枝方法使模型的参数剪枝率最高提升了4.1%,而在剪枝率相同的情况下,可使模型性能最大提高3.5%。（3）本文利用所提出的剪枝方法对红外人车检测算法中的深度学习模型进行剪枝,并针对嵌入式设备资源受限的特点,基于剪枝后的检测算法设计开发了一套红外行人车辆智能检测软件,该软件能够运行在Jetson TX2嵌入式设备中,使设备成本降低约66%。测试结果显示,与剪枝前的红外人车检测算法相比,剪枝后的算法在平均F1-Score指标上提高了约2%,在嵌入式设备中的平均速度为16.8FPS,加速比为2.4。这说明剪枝后的算法性能及速度均能满足实际项目要求,为检测软件在嵌入式设备的部署运行提供了一种解决方案。