近年来,深度学习技术发展迅速,基于深度学习的目标检测技术已经落地应用在人脸识别、工业产品检测及安防系统等实际场景中。与此同时,企业对于移动端应用的需求也相应增加,这使得如何基于移动端进行深度学习目标检测受到了重视,研究人员也对此进行了大量研究。现阶段,在移动设备上进行深度学习有两种方式:一种是在线（online）的方式,另一种是离线（offline）的方式。在线方式依赖网络,具有很大局限性,因此,离线方式被更多应用于实际落地产品中。然而,移动设备的计算能力有限,模型需要通过专有平台进行部署,并且部分模型需要进行轻量化改进。在现有研究中,针对模型的轻量化改进主要有两种方式,一种是使用模型剪枝、知识蒸馏等模型压缩方法将训练好的模型进行压缩,另一种是直接设计一个轻量化的网络结构。本文根据这两种方式分别选择YOLOv3和PP-Pico Det模型进行实验,并对两种模型的网络结构进行改进,同时在训练中使用数据增强策略、学习率热身方式以及加载预训练模型权重的方法来提高实验效果。然后设定评判标准,将实验得到的模型转换为指定格式部署在移动设备上进行推理,根据评判标准选择综合性能最好的模型。最后基于此模型,开发一款目标检测系统。本文主要工作内容与结论如下:1.针对公开数据集道路狭窄和夜晚黑暗的场景较少、部分场景中检测目标较少、像素较低的检测目标被忽略以及缺乏送外卖和快递人员的骑手数据集的问题,本文选择部分公开数据集并对其中像素较低的检测目标进行补充标注,在此基础上又加入了狭窄道路和夜晚黑暗场景的数据以及送外卖和快递人员的骑手数据,构建了一套场景更丰富、检测目标更多的数据集,用于后续模型的训练、测试和验证。2.针对离线模式中移动设备算力有限的情况,本文使用了国产平台分别对模型轻量化处理的两种方式进行了实验:选择经典的YOLOv3算法模型,使用修改骨干网络的方法进行改进,并使用多种数据增强策略、学习率热身以及加载预训练模型权重的方式进行训练,然后使用模型剪枝方法进行压缩;另外,选择轻量级的PP-Pico Det算法模型,同样使用修改骨干网络的方法进行改进,并使用少量数据增强策略、学习率热身以及加载预训练模型权重的方式进行训练。最终,通过实验,验证了两种处理方式的有效性。3.针对现有研究中缺乏对性能较低的智能手机的推理性能测试的问题,本文联系现实生活,选择了价格低廉且性能较低的智能手机作为部署平台,将上述训练好的模型转换为指定格式后进行部署与推理实验,最终得到了较好的效果,处理后的模型在性能较低的平台上可以满足精度高、速度快和体积小的需求。4.为了验证模型的可靠性,本文开发了一套基于移动端App和后台Web应用的目标检测系统。该系统的移动端App使用离线模式,应用实验得到的模型进行实时检测,并将检测结果发送到后台,后台系统对检测结果进行管理与展示。最终,实验所得综合性能最好的模型大小仅为3.7M,并且能够在性能较低的智能手机红米9上达到近30FPS的实时推理速度,同时平均检测精度均值m AP能保持在0.7左右,这为移动端使用深度学习模型提供了很好的参考。本文最终开发的目标检测系统功能完善,达到了预期效果,可以将其应用在视觉障碍人员出行时对障碍物进行提示或者司机驾驶车辆时对前方汽车、行人和骑手预警的场景中。