近年来,目标检测成为了医疗研究、人工智能设备开发等领域重要研究工具。随着人们对目标检测数据处理效率及检测精准度要求的提升,加大了目标图像特征提取难度要求。深度学习目标检测算法以神经网络CNN体系为基础,具有较高的图像类别检测精准度,支持高精度定位,较传统目标检测算法功能更加强大。因此,该算法成为了目标检测方案研发的首要选择。本文选取Mobilenet-SSD算法作为目标检测方案研究工具,借助ARM硬件平台和FPGA软件平台提出目标检测方案研究。首先,通过查阅文献资料,对国内外在深度学习目标检测方案研究取得的成果进行总结分析,从中提取一些研究思路,作为本文研究依据。其次,本研究选取Mobilenet-SSD算法作为深度学习目标检测方案开发工具,依据目标检测需求分析结果,结合Mobilenet-SSD检测算法基本原理,提出目标检测总体方案。该方案利用GVI CXZ7100开发板建立ARM平台和FPGA平台开发之间通信连接,完成不同平台异构数据格式的转换处理。通过添加CNN加速器,加快图像数据信息处理速度。其中,CNN加速器的应用是研究方案的核心,采用并行处理方式构建内部数据处理体系结构,通过点乘方法计算卷积图像数据,按照AXI4.0-Stream协议传输数据信息,使得系统带宽得以最大利用,开启ARM端程序检测目标坐标和类别,并生成检测结果。最后,本研究通过搭建测试平台,对提出的目标检测方案可靠性进行验证,包括功能测试和性能测试。其中,功能测试结果表明,本设计方案能够准确检测目标类别,获取准确位置信息。性能测试结果表明,FPGA平台运行速度有大幅度提升,其数据信息处理速度是ARM处理器的112.93倍,检测吞吐量达到了0.93FPS,符合目标检测方案开发性能要求。另外,系统作业功耗等设计指标性能也满足目标检测系统开发性能要求。