近年来,随着深度学习的高速发展,卷积神经网络（Convolutional Neural Networks,CNNs）已成为图像分类、目标检测、语义分割、深度估计等各种计算机视觉任务的主流方法。目前基于深度学习的目标检测模型往往利用大型卷积神经网络提取特征以获得更高的精度。这些模型需要高端的GPU芯片以实现实时运算。这使得目标检测模型难以部署在计算资源受限的边缘设备上。为了解决深度学习模型在计算资源受限的设备上运行的问题,目前已经有大量的模型压缩方法被提出,其中模型剪枝是主要方向之一。传统的模型剪枝算法的研究多集中在图像分类任务中。针对目标检测模型的剪枝,常见的做法是使用剪枝后的CNNs作为目标检测模型的骨干网络（特征提取网络）,以实现目标检测模型轻量化。但是,使用这种方式得到的骨干网络不是针对目标检测任务优化的,很难取得理想的效果。本文将通道剪枝算法直接应用在目标检测模型中,结合基于极化正则项的稀疏化训练,提出了分层自适应通道剪枝策略。该方法考虑了网络中不同层的稀疏化结果的差异,对不同的层分别使用自适应的剪枝阈值,从而避免在剪枝时造成不合理的结果。同时,针对通道剪枝在降低模型推理时延上的局限性,在通道剪枝的基础上,提出了基于层重要性估计算法的层剪枝方法。该方法利用不同层的通道剪枝结果计算其稀疏率,并利用稀疏率估计该层的重要性,从而为层剪枝提供依据。本文将通道剪枝和层剪枝结合形成了一种联合剪枝算法。本文基于YOLOv5系列目标检测模型在无人机目标检测数据集Vis Drone-DET2019和遥感图像数据集DIOR进行了实验。实验的结果表明,本文提出的剪枝算法能够在相近的参数量下获得优于手工设计的模型,验证了方法的有效性。除了研究目标检测模型的剪枝,本文还提出了一个面向目标检测模型的压缩框架。在该框架中集成了常见的稀疏化算法、模型剪枝算法、通用的模型瘦身方法和模型导出。整个压缩过程由统一的配置文件驱动和管理,便于工程人员进行调试和在更多的模型中重复使用。同时,框架提供了可拓展的接口,用户可自定义新的算法。本文提出的压缩框架打通了目标检测模型压缩研究到边缘计算设备部署的全流程。