近些年来,深度学习技术在计算机视觉领域已经取得了很大的进步。然而基于深度学习的目标检测网络往往存在模型参数量大、内存耗费过多等问题,这些网络对于硬件设备和硬件资源都有着较高的要求,特别是在计算和存储资源受限的嵌入式设备上,目标检测算法的应用存在很大的挑战。因此,研究轻量化的目标检测网络是基于深度学习的目标检测网络应用的重点。本文针对经典的目标检测网络SSD（Single Shot multibox Detector）和RFBNet（Receptive Field Block Network）,提出了两种目标检测网络的结构化剪枝方案,所生成的轻量化目标检测网络在保证网络检测精度的同时减小了网络模型的尺寸,对网络的检测速度也有进一步提升。完成的工作主要包括:（1）提出融合知识蒸馏的目标检测网络剪枝方案。本方案依据L₁范数作为卷积层中每个滤波器的重要性评价标准,针对目标检测网络SSD,首先采用单层剪枝方案对网络的单个卷积层剪枝,然后考虑到单层剪枝方案对整个网络迭代剪枝的时间代价,引入多层剪枝方案实现一次性对整个网络进行剪枝,最后对多层剪枝后SSD的精度损失,进一步提出融合知识蒸馏的多层剪枝改进方案,通过原网络指导剪枝后的网络进行再训练,使剪枝后的网络达到更好的检测性能。实验结果表明,所提出的目标检测网络剪枝方案在保证网络检测精度的同时有效地减小了网络模型的尺寸。随着剪枝率的增加,模型的参数量和运算量会大幅度减少。与未剪枝的网络相比,生成的轻量化目标检测网络具有更快的检测速度。（2）提出基于缩放因子的目标检测网络剪枝方案。本方案以批量归一化层的缩放因子作为通道重要性因子,针对目标检测网络RFBNet,设计了局部剪枝方案、全局剪枝方案和双准则剪枝方案。局部剪枝方案将原有的RFBNet分成两部分,可以分别对每个部分进行剪枝,也可以进行两阶段的剪枝操作;全局剪枝方案通过评价卷积层的每个滤波器在整个网络中的重要性,对整个网络一次剪枝;双准则剪枝方案对全局剪枝方案进一步改进,它可以同时评价滤波器在整个网络和所在卷积层的重要性。实验结果表明基于缩放因子的目标检测网络剪枝方案可以有效地减小网络模型的尺寸,在保证网络检测性能的情况下生成轻量化的目标检测模型。