目标检测作为计算机视觉的重要研究领域,是其他图像分析、图像理解领域的基础。目标检测是指在输入图像中识别并定位指定目标。近年,基于深度神经网络的目标检测算法在各类计算机视觉任务中取得了重大的突破,尤其是深度卷积神经网络的发展,大大提升了深度网络的特征提取能力,提高了基于深度神经网络的目标检测算法性能。于此,本文从深度神经网路的模型压缩及提升目标检测的检测性能角度,针对:1)深度神经网络的深度是其成功的关键,而深度神经网络的可训练性仍是待解决的问题;2)算法在实时应用部署时模型复杂度与精度的平衡问题。进行以下研究:（1）针对深度神经网络易出现参数冗余的问题,本文将微分方程数值解法—阿当姆斯法（Adams）用于深度神经网络的权重学习,提出一种基于阿当姆斯法的捷径连接（shortcut connection）,可提高网络后期的学习精度,压缩模型的大小,让模型变得更有效。尤其对网络层数较小的深度神经网络的可训练性优化效果明显。论文以经典的Res Net为例,比较了使用基于Adams法的捷径连接方式的Adams-Res Net与源模型在Cifar10上的性能表现,本文的方法在提高识别正确率的同时将源模型的参数量压缩至一半。（2）针对目标检测算法的实时应用部署,基于YOLOv3目标检测机制,设计了一个更有效的一阶段目标检测网络Adams-YOLOv3。该网络以Res Net34为源网络进行改进,并引用多尺度特征融合设计了新的特征提取网络,提高目标检测算法对不同大小目标的适应能力,同时在满足实时目标检测标准的前提下,提高了目标检测算法对于相似目标的区分能力。实验结果表明,Adams-YOLOv3在垃圾分类任务上平均精度均值（mean Average Precision,m AP）为62.79%,在本文实验环境下平均检测速度为每秒45帧,能满足实时垃圾分类需要。