随着计算机技术的不断发展,以及物联网、人工智能发展的大趋势下,物体检测技术作为计算机视觉的一个重要分支,已经广泛地应用到例如人脸识别、视频监控、车辆的辅助驾驶、移动机器人等各个领域中。目前,处理物体检测的方法有很多,大体分为两大类:基于图像处理的检测方法与基于卷积神经网络的深度学习检测方法。但是由于基于图像处理的检测方法准确度低,无法满足人们日益增长的检测精度要求,已经逐渐被后者所替代。由于卷积神经网络的运算过程需要消耗大量的计算资源,同时模型存储量较大,对于类似于移动电话、移动机器人这种不方便部署大规模计算服务器的移动端上的部署带来巨大的挑战。因此,研究基于卷积神经网络的检测任务加速和压缩策略,具有重要的意义。本论文主要研究移动端物体检测技术,提出一种模型压缩、模型裁剪与模型量化的方法,旨在解决移动端计算能力不强与存储能力有限的问题。本文主要在以下几个方面进行了研究:1.基于网络结构模型压缩方法的研究。研究并比较几种现有的基于深度学习的特征提取网络架构,提出一种基于可分离式卷积的改进模型架构,该模型架构可以通过分组卷积的形式在保证模型精度的前提下,减小了模型的参数量和前向传播的计算量,提高了物体检测的速度。2.面向特定场景模型裁剪算法研究。针对通用型的模型架构在特定场景下存在大量的参数冗余问题,通过统计冗余参数的位置信息,在一定阈值下给予裁剪,实现模型参数的进一步压缩与前向传播的加速。3.基于一比特网络量化算法研究。利用计算机在一个时钟周期内计算一次32位浮点运算可以计算64次位运算的特性,将传统模型的浮点运算量化为比特类型,实现模型前向传播的进一步加速。