长期以来,目标检测都是计算机视觉领域研宄的热点和难点。近年来,随着深度学习的迅速发展,目标检测算法取得了突破性的进展。然而,卷积神经网络存在计算密集和参数冗余的缺点,尤其是需要预先提取大量候选框的目标检测算法。本文针对卷积神经网络计算量大、参数冗余的问题,以基于卷积神经网络的目标检测算法(Faster RCNN)为研究对象,结合网络结构优化以及粗细粒度联合剪枝的方法,成功地提高了算法性能,同时还探索了网络压缩和优化方法的适用性,本文的研宄内容和主要贡献包括:首先,针对FasterRCNN中计算量和模型参数主要集中在特征融合模块的问题,本文提出了高效特征融合模块,首先采用降维卷积减少了通道数量,再通过逐点卷积融合局部通道特征信息和分组卷积提取空间特征信息,以及分组全连接层融合卷积层提取到的特征信息。该模块既有效地分类和定位了候选框,又降低了算法的计算量和模型参数数量。其次,针对Faster RCNN中候选框提取网络特征提取能力不足的问题,本文提出了多尺度空洞候选框提取网络,通过融合浅层、中高层的多尺度特征信息,扩大局部感受野,增强更有效的通道特征信息和抑制了更无效的通道特征信息,提高了候选框生成质量和召回率,最终提高了算法的检测精度。最后,针对卷积神经网络计算量集中在卷积层和参数集中在全连接层的问题,本文研宄了粗细粒度联合剪枝方案。粗粒度剪枝采用滤波器加权和排序的方法,裁剪卷积层中不重要的通道,细粒度剪枝根据权值绝对值大小裁剪全连接层中不重要的权值,大量减少了计算量和参数。另外,本文提出了可自动学习稀疏网络结构的细粒度剪枝,通过控制稀疏度保持不变,以及裁剪拼接恢复误裁剪权值,自动学习训练得到了良好的稀疏全连接层,保证了网络检测和识别精度。通过实验验证和分析,网络结构优化与粗细粒度联合剪枝方法不仅有效地减少了Faster RCNN的计算量、参数数量、内存占用及功耗等,并提高了其检测精度。同时,还可以将该方法推广应用到其他目标检测算法和分类网络模型,优化其他网络结构性能。