深度学习凭借海量训练样本和不断提升的硬件算力的支持,在计算机视觉的多个领域里获得了巨大成功,基于深度卷积神经网络的模型目前已成为目标检测领域的主流。基于深度学习的目标检测分为两个研究方向:一是高精度检测,借助性能强大的运算设备刷新模型在通用基准数据集上的检测精度;二是轻量级检测,侧重于模型的轻量性和实时性,在检测精度不显著降低的同时尽可能减小模型的规模,使其更适合部署于实际应用场景中。当前的轻量化检测技术大多只针对于模型的设计与训练中的某个步骤,缺少贯穿整个过程的系统性框架和指导思路,而直接搜索网络结构则需要较高的训练成本或良好的搜索空间构建能力。本文研究通用的轻量级目标检测模型实现框架,可用于各类算力资源受限的实际检测任务。根据框架构建基础检测网络,并结合实际任务对模型进行针对性优化,实现适用于给定任务的轻量级模型。首先,本文梳理了检测任务的约束性条件和网络结构的复杂度指标,总结出影响网络表现的三个结构性因素:深度、宽度、分辨率,并结合Roofline模型提出轻量级检测网络的构建思路。接着,本文在此基础上引入One-Shot聚合（One-Shot Aggregation,OSA）连接方式和跨阶段局部网络改造,改进主流检测网络的主干部分,实现CSPOSA模块并构建通用的轻量级检测网络。由于通用网络对于具体的检测任务而言在结构上存在一定冗余,本文接着提出专用性优化策略,分别对网络结构和训练过程进行优化,提升训练出的模型的针对性。对于网络结构,分别调整网络的宽度和深度,裁剪冗余部分,进一步压缩模型的参数量;对于训练过程,将其分为前中后三个阶段,训练开始前分析目标尺寸分布等数据特征;训练进行中根据具体任务调节学习率和锚框参数;训练完成后用蒸馏恢复高压缩比模型损失的精度。通过优化训练过程,在不增加额外运算量的同时提升模型的检测表现。本文选取两个差异较大的实际检测任务,将嵌入式平台安全帽检测和无人机平台行人车辆检测作为实验场景,验证提出的框架的有效性,实现的轻量化检测模型的参数量是高精度对照模型YOLOv3、YOLOv4的1/10～1/100,同时检测精度相仿,更适合部署在算力有限的设备上。