目标检测是计算机视觉的一项基础研究，其主要目的是对图像或视频中的物体进行检测与识别，从而实现对场景内容的理解。随着深度学习的发展，这项技术在近几年取得了巨大的进步。然而，目前基于深度学习的目标检测算法大多是为服务器所设计，即使在NVIDIA Titan X这样强大的GPU上，处理一张图片也需要超过100毫秒，而且需要耗费巨大的内存资源，无法直接运行在手机等嵌入式设备上。　　本毕业论文设计并实现了一套完整的移动端目标检测系统，特别针对神经网络算法的小型化部署及快速计算。对一种目前主流的目标检测算法SSD进行轻量级改造，使它可以流畅运行在手机端。首先，设计了一套轻量级的神经网络前向计算框架，可以将服务器端训练好的目标检测模型部署到移动端。基于iOS平台，额外使用Neon指令集优化和移动端GPU加速卷积计算过程，体现了本框架的高度可拓展性。对于模型大小，使用一种小型网络Tiny-Darknet替换原有的VGG16网络，并通过渐进式量化将其参数量化到5比特，将整个模型大小缩小为原来的1/70。对于模型精度，使用膨胀卷积金字塔和反卷积等多尺度卷积特征融合的方法进行优化。最后，引入了目标跟踪算法，检测模块与跟踪模块相互配合，进一步提升了整个系统的流畅性和稳定性。　　基于此系统在iPhone7Plus上实现了一个Demo应用，从摄像头获取视频流，对其中的目标进行检测并实时显示在屏幕上。本Demo可以同时检测和跟踪5个目标，模型大小为1.4MB，且整个系统的平均运行速度达到35FPS以上。