多目标识别是机载目标感知系统的核心功能之一,需要与机载平台系统高度集成。深度学习目标识别技术为机载目标感知系统提供了新的技术途径,具有广阔的应用前景。然而深度学习网络向硬件平台移植过程中,不仅需要考虑模型精度,还需考虑网络参数量、机载硬件平台内存资源以及算力等现实问题。将规模大、计算复杂的多目标识别深度学习网络部署于资源有限的机载硬件平台时,深度学习网络与机载硬件平台之间相适配是一个必须解决的技术难题。本文依托于航空科学基金项目,开展深度学习网络轻量化技术研究。旨在实现目标识别性能与算法运行所需资源要素之间的平衡设计,提升深度学习网络与嵌入式硬件平台之间的适配度等技术开展基础研究。其主要研究内容如下:1)深度学习网络结构分析与多目标图像数据库构建。分析深度学习网络的构成及其工作原理,对目前主流的深度学习网络轻量化与加速方法进行研究,依据项目指标要求完成多目标图像数据库的构建,使用数据增强算法对图像数据进行增强,充分保证多目标识别图像数据的真实性与多样性。2)YOLOv5s网络损失函数优化与全局通道剪枝网络轻量化算法研究。为了提升算法空对地观测多目标识别的精度,使用CIOU损失函数对原始YOLOv5s深度学习网络的损失函数进行改进,从而提升算法整体的识别精度。针对目标识别网络参数冗余且运算复杂等问题,提出了一种全局通道剪枝网络轻量化算法,对BN层上的缩放因子g系数进行稀疏化训练,筛查出可以优化的参数传输通道,使用该算法在保证网络识别精度的同时对深度学习网络进行剪枝,生成检测性能良好的轻量化多目标识别网络。3)紧凑型网络结构设计与嵌入式实现技术研究。通过研究发现,在对目标特征提取过程中,深度可分离卷积的运算量明显低于标准卷积。因此将优化损失函数后的YOLOv5s网络模型中采用标准卷积的主干特征提取网络CSPDarkNet-53,优化成使用深度可分离卷积的轻量化网络结构Mobile Netv3,构建出一个紧凑型网络YOLOv5-C-Mv3。不仅能够增强网络模型的特征提取能力,参数量和运算量也大幅降低,为深度学习网络轻量化问题提供新的思想。以NVIDIA Jetson TX2嵌入式图像处理平台的软件架构为基础,配置深度学习开发环境,完成轻量化目标识别网络在嵌入式图像处理平台部署和编译工作。通过实验验证,本文所研究的多目标识别深度学习网络轻量化方法在目标识别性能变化较小的情况下,可以有效减小深度学习网络的参数量和运算量,便于目标识别网络在资源有限的机载嵌入式硬件设备上进行部署。