目标检测是计算机视觉的基础领域之一,在智能机器人、智慧交通、视频监控、自动驾驶等领域具有重要的应用前景和价值。虽然近年来基于卷积神经网络的目标检测算法取得了很大的进展,但是卷积神经网络的计算量和参数量给目标检测算法在移动端或嵌入式端的落地带来了巨大的挑战。如何在尽可能保持网络性能的前提下,压缩网络的计算量以及参数量,提高推理效率,是本文重点关注的问题。据此,提出针对目标检测任务的定位感知通道剪枝算法,减少目标检测模型的计算量和参数量;提出基于轻量共享特征金字塔的动态目标检测算法,根据计算资源和样本的难易程度进行自适应的推理,提高推理效率。主要的研究内容及创新点总结如下:第一,将轻量化算法在目标检测模型上进行实验对比和问题分析。介绍了基于深度学习的目标检测算法的原理,对当前的模型剪枝算法的性能进行对比和分析,将当前剪枝算法在目标检测模型的特征提取网络上进行实验对比和问题分析,为后续的改进形成铺垫。针对典型目标检测模型进行计算量和参数量的统计,分析设计动态目标检测模型存在的问题,并提出相应解决思路,为后续算法的提出奠定研究基础。第二,提出针对目标检测任务的定位感知通道剪枝算法。现有的剪枝算法主要集中在处理分类问题,对目标检测任务则研究较少。针对目标检测任务,提出定位感知辅助网络来找出包含分类和回归关键信息的通道,以此来完成对目标检测模型的剪枝。具体的,提出具有上下文信息的ROIAlign层用来获得候选框的精确定位信息,并在对浅层进行剪枝时扩大候选框的感受野。构建用于目标检测任务的损失函数,利用辅助网络产生的梯度进行模型剪枝。算法在MS COCO数据集上,在性能没有明显下降的前提下,可以剪掉SSD特征提取网络70%的计算量和参数量。第三,提出基于轻量共享特征金字塔的动态目标检测算法。当前目标检测算法在推理阶段对所有样本以固定的计算代价进行推理,这浪费了计算资源并且不具有灵活性。针对此问题,提出基于轻量共享特征金字塔的动态目标检测算法,根据计算资源和样本的难易程度进行自适应的推理,大幅度提高了推理效率。具体的,设计轻量化共享特征金字塔网络,减少动态目标检测模型特征融合部分的计算量和参数量。设计轻量化检测头网络,减少动态目标检测模型检测头网络部分的计算量和参数量。算法在PASCAL VOC数据集上,在“随时预测”和“有预算的批量目标检测”两个条件设定下,性能和计算量、参数量均优于Res Net、Dense Net和MSDNet等特征提取网络构造的动态目标检测模型。