目标检测是光电图像处理领域中的一个热点研究内容,在过去的几十年里得到了广泛的研究。目标检测的目的是在给定的图像中找到具有精确定位的特定目标类的对象,并能提取出目标的特定信息。由于深度学习理论在图像分类等应用中取得了非常好的效果,使得近年来对如何将深度学习应用于目标检测的研究得到了越来越多的关注。但是,由于深度学习训练推理都需要庞大的计算力,硬件成本较高,因此如何设计检测效果可相当于大型网络模型的轻量级神经网络成为当前研究的热点。与此同时,在嵌入式系统上运行更高效的神经网络的需求也促进了轻量级神经网络的研究。本文针对轻量级网络结构的设计开展了深入的研究,具体的研究内容如下。本文首先介绍了基于深度学习的目标检测算法研究现状以及基本原理。通过分析卷积神经网络的算法复杂度,从时间、空间复杂度和内存访问成本来分析了影响卷积神经网络速度的因素。然后在实验基础上,研究提出并验证了高效轻量级网络设计的四条实用建议,即采用相同的卷积输入输出通道:分组卷积要谨慎设计,需要平衡性能和速度;降低卷积分支数量,减少碎片化操作;减少元素级操作。然后针对计算能力有限的嵌入式设备的应用需求,根据上述建议,研究设计了一种计算效率较高的轻量级卷积神经网络架构ShuffleNetV2。该网络模型利用深度卷积操作和通道随机混合策略,在保证检测精度的同时大大降低了计算复杂度。同时为了兼顾运行速度,使用YOLOv3的检测模块作为网络模型的检测后端。随后在保持网络模型复杂度不变的前提下,利用网络蒸馏进一步提高轻量级网络模型ShuffleNetV2检测性能。通过蒸馏损失将一个更精确的教师网络的知识转移到ShuffleNetV2轻量级的学生网络中。实验结果证明通过特征映射非极大值抑制算法和物体分级蒸馏策略,网络蒸馏有效地提高了轻量级网络模型目标检测算法的检测精度。最后在自建的火车注水口数据集、舰船数据集以及经典目标检测数据集PASCAL VOC上进行训练并测试本文所提算法的检测性能。并针对数据集的目标特点,对检测模块进行相应的改进。实验结果表明,本文研究提出的高效轻量级网络结构设计建议的正确性以及ShuffleNetV2轻量级网络目标检测算法具有较高的检测性能,在检测精度损失不多的情况下,检测速度大幅提升。同时,在轻量级网络模型ShuffleNetV2上使用网络蒸馏可以有效地提升该模型的检测性能,并能保持原有的检测速度。