目标检测的目的是找到目标的位置,并判断出目标所属类别,而高准确率且低运行时延的目标检测算法一直是计算机视觉领域学者们研究的一个核心技术。随着深度学习的迅速发展,基于深度学习的目标检测算法性能越发强大,使用深度学习实现目标检测成为一个趋势。本文以FPGA和DSP芯片为核心,设计并实现了一个具有实时目标检测功能的嵌入式系统。以下为本文的主要工作内容与改进点:（1）经过资源评估和芯片选型,本文选用XC7Z100FPGA芯片和TMS320C6678 DSP芯片作为主要运算单元,经过硬件电路设计、电路板制作、器件焊接以及软件模块的设计实现,最终实现了一个体积小、功耗低且稳定性高的嵌入式系统。该系统实现的算法是基于45层轻量化卷积神经网络的目标检测算法,本文首先对该网络部分计算层进行合并,然后将其模块化,并分别实现在FPGA和DSP芯片中,其中FPGA负责对该网络中计算量较大的三个卷积层和第二层的最大池化层进行加速。将算法成功实现在嵌入式系统后,本文选用人眼虹膜数据集和坦克数据集作为测试集,并对本次设计实现的目标检测系统进行功能测试和性能测试。在功能方面,本文设计的目标检测系统在对人眼虹膜目标和坦克目标的检测上得到不错的检测效果,且对比GPU实现仅有不到1%的精度损失。在性能方面,本文设计的目标检测系统以4.95GOPS的平均计算性能和11.36W的系统功耗,实现32.75ms的图像处理时延,可以满足30FPS视频输入下的实时性需求。（2）对于卷积层的加速计算,本文提出一种数据在内存中的排布方式,并设计实现了一个卷积加速模块。该模块在FPGA端以并行计算、乘加器流水线优化、卷积计算分解、数据复用以及浮点参数的定点化处理等优化方式,以极小的精度损失为代价,实现对卷积层计算的优化加速,大幅度缩短了卷积层的计算时间。相比现有FPGA加速方案,本文设计的卷积加速模块在计算性能和乘加器工作效率上表现更加优秀,且DSP Slices资源使用量减少了 70%以上。（3）对于池化层的加速计算,本文设计并实现了一个池化加速模块。该模块在FPGA端对池化计算过程进行分解,首先对输入特征进行宽度方向的池化,再以一定的寄存器消耗为代价,通过对数据的突发传输,进行实时的高度方向池化运算。相比现有FPGA加速方案,本文设计的池化加速模块在计算速度上提升7.4倍。