自动驾驶汽车控制系统是一种自主决策系统,它主要处理来自车载雷达和视觉检测传感器的观测流。目前基于车载雷达的目标检测技术已经相对成熟,为了完善整套自动驾驶系统,对于卷积神经网络的视觉检测性能要求也在不断提高。在视觉检测领域,已经出现了众多高精度的目标检测网络,例如YOLO等网络,但这类网络结构复杂度高,无法有效地嵌入到小型处理器中进行实时使用。在自动驾驶的视觉系统中,车载雷达摄像头的处理器属于小型处理器,推理能力有限,无法应用传统的高精度目标检测网络。为了满足目标检测网络能够嵌入至小型处理器,并有效地完成目标检测任务,目标检测网络结构需要在保证一定准确率的情况下,将检测模型不断地向小型化轻量化推进。本文将研究重点放在轻量化双阶段网络结构的搭建,致力于在移动端完成对目标的实时检测。本文通过搭建轻量化双阶段网络结构对目标进行实时检测,主要完成了如下任务:1)研究了目标检测网络的算法原理和训练过程,分析当下比较流行的目标检测网络结构,总结出了这些算法中存在的性能限制;2)针对轻量化网络的高效性、准确性和稳定性三个方面设计轻量化模型。在高效性上设计显著性分组卷积,将特征图分为多个子空间,降低计算量,增强通道间有效信息的流动性。考虑在低复杂度的情况下,提升准确率,设计适用于轻量级分类网络的多层分组感知器,可在指定结构中替代深度可分离卷积操作。针对SGD优化器在轻量化模型训练过程中出现的收敛性能不稳定问题,设计了基于横向标准化的SGD优化器,训练过程中准确率和目标函数都达到设计要求;3)搭建基于双阶段的轻量化实时目标检测网络。网络不单结合单阶段检测网络的实时性和双阶段网络的高准确性,还结合了浅层网络位置信息丰富和深层网络特征区分度高的特点。网络中引入RPN网络,结合前景和背景的信息来优化特征分布,在较低的计算量下得到一个高效的目标检测网络;4)扩充VOC数据集中行人遮挡等特殊图片,验证Ours目标检测网络和跟踪算法结合后的性能,将目标检测网络嵌入至移动端,完成对目标的实时检测。通过与目前已知目标检测网络的性能指标进行对比,本文基于双阶段的轻量化实时目标检测网络可以在移动端达到较优的检测性能。