随着计算机视觉技术在工业领域的快速发展,过去依靠人工分拣零件的方法逐渐被机器检测所代替。采用机器分拣零件的方法对操作工人和使用流程有一定要求,复杂的工厂环境容易导致传统的机器分拣出现失误。深度学习的目标检测方法可以从大量的数据样本中自动提取特征,有利于提高目标检测的准确度。目前,基于深度学习的目标检测算法在实际应用中仍存在一些问题。一方面,在工业零件检测任务上存在物料相互遮挡、特征难以提取、目标无法精确定位的问题。另一方面,现场的许多工业设备算力较弱,传统的深度网络模型容易产生大量的计算参数,需要具有较高计算能力的设备进行计算,从而导致传统的深度网络模型不能很好地适用于一些工业设备。因此,如何进行深度网络模型的压缩来缩小模型体积、加快模型的检测速率,仍是当前面对的一个挑战。本文对目前工业零件目标检测领域面临的检测方法准确度低和工业设备计算能力有限两个问题进行深入研究,主要创新点总结如下:（1）针对当前工业中的零件检测过程存在目标重叠、中心难以定位、目标包裹度差的问题,提出了一种基于深度卷积网络与霍夫圆变换的气门双重检测方法。首先对数据集进行预处理完成样本的扩充;然后以深度卷积网络为基础,在网络结构上加入空间金字塔池化层,同时根据本文特定的数据集改进先验框和损失函数,完成目标预测框的提取;最后加入霍夫圆变换对目标进行二次识别,达到精准检测零件区域的目的。本文方法与其他检测方法在气门零件数据集上进行对比,实验结果表明了该方法不仅提高了模型的检测精度,而且增强了目标的包裹度,在实际应用中具有较高的使用价值。（2）针对目前基于深度学习的目标检测方法难以在算力低下、资源有限的工业设备中运行的问题,提出了一种基于轻量化深度卷积网络的零件图像目标检测方法。首先,将网络中的普通卷积替换为Ghost卷积,有效减少了卷积核的数量;其次,通过优化残差网络生成新的G-ResNet残差结构,完成卷积残差块的层内融合;最后,借鉴深度可分离卷积的思想,实现卷积方式的重构。实验结果表明了该方法通过三重压缩处理实现了模型的轻量化,节约了设备内存的占用成本,减少了模型的参数、降低了网络的计算量、缩小了模型的体积。跟之前未进行压缩的深度卷积网络相比,虽然目标的检测精度有些下降,但已足够完成工业流程中的零件目标检测任务。