表格检测作为光学字符检测（OCR）的重要组成部分,在信息抽取中有着不可替代的作用。随着办公软件的普及,表格的样式越来越丰富,这也给表格检测任务带来了巨大的挑战。目前,快节奏的工作方式引导人工智能产品开发者提供一种便捷高效的服务模式,致力于将产品部署在移动端,为更多人提供便利。本文以多样式表格检测为目标,探索一种能够在边缘设备提供几乎无损服务的轻量化解决方案。本文的主要研究内容如下:（1）探索了一种多样式表格检测方法:针对多样式表格导致模型性能降低的问题,提出了基于自适应锚框和注意力机制的检测模型A-YOLOv5（adaptive anchor and attention based YOLOv5）。首先提出了一种处理图片纹理特征的自适应锚框生成算法,然后利用锚框与表格的交并比优化了训练样本的选取策略,提高了训练样本的质量,最后利用通道注意力机制,改进模型的主干网络,使其更好地利用高质量训练样本,从而增强对于不同样式表格的检测能力。与基线模型相比,A-YOLOv5在ICDAR 2013和ICDAR 2019数据集上的F1值分别提升了2.3%和2.7%。此外,本文首次提出了一个手工构建的多样式表格检测数据集（Finance Open Table,FOT）。与其他数据集相比,该数据集的表格样式更加丰富。基于该数据集的实验也表明了本文提出的A-YOLOv5模型在多样式表格检测中的有效性。（2）探索了一套适用于多样式表格检测的模型轻量化方案:上文的多样式表格检测方法虽然取得了较好的效果,但模型参数量较大,难以部署于移动端。为了优化模型结构,本文首先使用基于通道的网络剪枝方法对模型进行修剪。然而,模型剪枝后其特征提取能力减弱,性能受到一定影响。为提升模型的特征提取能力,本文提出了一种基于区域注意机制的知识蒸馏方法。该方法在FOT和ICDAR 2019数据集上的F1值较原有模型提升了2.1%和1.3%,这表明了该方法能显著改善剪枝带来的性能损失问题。（3）开发了一个适用于多样式表格检测的移动端系统:为了进一步验证解决方案的效果,本文基于Torch Script实现了一套可部署于移动端的表格检测和识别系统。除了基于A-YOLOv5模型实现了表格检测功能外,该系统还集成了表格信息抽取功能以及模型个性化升级等功能。该系统可部署于目前常见的移动设备上,并且在通用设备上能达到约20FPS的处理速度。