社会对于智能视觉技术的需求越来越强,也推动了计算机视觉技术的高速发展,高速发展的视觉技术也在反哺社会,新时代的社会发展离不开计算机视觉技术。目标检测是计算机视觉技术的一个分支,其已经应用在工业、医学、交通、安全、军事等各个领域,取得了良好的效果。其能够使社会生活更加便利,能够帮助各行各业处理各种视觉任务,节约成本。当前目标检测领域的研究重点集中在提高目标检测技术的检测精度,检测速度以及更简易的部署。然而多数的目标检测网络模型泛化能力差,在通识目标的识别上精度不高,在移动端和嵌入式设备上部署困难。本文围绕着轻量级目标检测网络所面临的挑战,以提高目标检测模型的精度和更轻量化的目标检测模型为出发点,开展基于深度学习的轻量级目标检测技术的研究。研究内容包括,基于聚类的Anchor参数生成算法,基于多尺度融合的轻量级网络模型,基于L1正则的结构化网络剪枝方法。具体的研究内容及贡献如下:1.针对当前Anchor超参数设定精确不够,过渡依赖人工设定的问题,提出了新的基于聚类的Anchor生成算法,该方法通过对真实数据集中目标框的处理,生成更适合该数据集的Anchor框尺寸。实验结果证明了该方法能够提高目标检测网络的检测精度。同时,该方法具有良好的可移植性,可以在多个基于Anchor的目标检测网络模型中使用。2.针对多数目标检测网络模型复杂度过高,参数过多,难以在实际应用中部署到移动端或嵌入式相关设备中的问题,从模型轻量化设计的角度出发,提出了一个轻量级目标检测网络模型,该方法结合了本文提出的Anchor算法,充分结合了图像上下文信息,同时,用更深的网络结构替代更宽的网络结构。通过实验证明该方法在轻量级的目标检测网络模型中具有优势,在MS-COCO2014数据集上能够取得20.9%的精度。3.针对大型网络模型精度高,但是模型复杂,速度慢,难以部署到实际应用设备中的问题。提出了一个基于L1正则范式的结构化网络剪枝方法,该方法可以对已经训练完成的网络进行单层或跨多层的网络剪枝,去掉其中冗余的层。通过实验可以发现该方法能够在基本保持目标检测网络模型精度的同时,大幅降低网络模型的复杂度,该方法在对本文提出的网络模型的剪枝率达到47.33%,对图像分类网络VGG-16的剪枝率达到了28.61%,证明了其使用价值。