当前基于深度学习的主流目标检测算法根据处理策略可以大致划分为两大类别,分别为以R-CNN系列为代表的两阶段目标检测算法以及以YOLO系列为代表的单阶段目标检测算法。早先的单阶段目标检测相比双阶段目标检测在速度方面有明显的优势,但是识别精度要低一些,但是随着YOLO系列的不断更新优化,到YOLOv5时无论是模型的精度还是速度,其优异的性能备受关注。YOLOv5算法作为目标检测领域最具影响力的算法之一,本文将以其为对象进行模型轻量化研究,以降低模型对硬件资源的算力要求,并针对YOLOv5算法在训练模型时可能出现的数据不均衡问题,分析不同类型的数据不均衡问题各自产生原因进行优化。本文旨在设计出更加高效、高性能的目标检测网络。本文主要完成了以下工作:（1）本文结合现有的模型轻量化经验以及YOLOv5的网络结构特点,提出了五种不同的瓶颈层结构以替换YOLOv5中对应的原始结构,充分利用了高效神经单元的设计模式。在保证除了瓶颈层以外结构都一致且所有超参数都相同的前提下,设置了多组不同瓶颈层结构的对比实验且所有实验都基于COCO数据集,实验结果表明IBN、Tucker、SEGBottleneck以及Split IBN都能达到良好的模型轻量化效果,参数量分别降低了25.1%、23.1%、21.2%和14.2%。其中Split IBN综合效果是最佳的,不仅能够实现模型轻量化,对模型的精度也有一定提升,平均准确率提升了0.4%。（2）在目标检测领域除了卷积神经网络结构本身影响着最终模型的性能以外,保证目标检测网络的数据均衡也是至关重要的。为了解决四类数据不均衡问题,即空间不均衡、类别不均衡、尺度不均衡和目标不均衡,本文通过研究分析各自产生的原因,分别采取相应的方法解决。针对空间不均衡和目标不均衡,本文通过引入最新的Focal EIo U损失函数来解决。通过调节Focal Loss的超参数以解决类别不均衡,并根据类别不均衡的特点提出实际应用时如何选择模型训练策略。针对尺度不均衡问题,本文通过借鉴Bi FPN的设计思想对原始的Neck层即PANet结构进行改进以解决。分别在原始的Neck结构P4、P5上增加一条和两条特征信息流（Neck-Bi FPN1和Neck-Bi FPN2）,实验表明Neck-Bi FPN1效果最佳,其参数量增加了0.9%,平均准确率提升了1%。（3）本文考虑实际部署目标检测模型时,在目标检测网络结构设计完成后为了更加及时更加简便代价更小得实现后续的优化工作,从激活函数和模型的训练策略方面进行研究。不同的激活函数对目标检测网络提取特征的效果不同,且不同平台计算不同激活函数的复杂度也不同,比如Si LU在移动设备上计算sigmoid是需要很大代价的,通过多种激活函数对比实验发现Hard Swish的效果与Si LU是接近的,但是其计算复杂度要低得多。通过不断迭代更新预训练模型可以在保证目标检测网络一致的前提下能够实现更快的模型收敛效果。