深度学习目标检测算法近年来在自动驾驶、工业质检和智能安防等领域得到了广泛的应用。但是,相关算法存在神经网络层数较多、网络参数量与计算量很大等问题,造成其在硬件资源受限的嵌入式系统中要完成实时地对目标进行检测具有很大的挑战性,无法很好地适应时间敏感类业务的需求。因此,本文面向嵌入式系统,基于MobileNetV2-SSD实时目标检测算法对算法进行优化设计与实现。首先,为了从网络结构对目标检测算法进行加速与轻量化,本文分析了 MobileNetV2-SSD目标检测算法的网络结构,并提出采用深度可分离卷积完全替换MobileNetV2-SSD目标检测算法中标准卷积的结构优化方案,对该方案压缩的计算量与参数量进行定量分析。其次,为了在推理过程中加速模型计算,本文对训练后的模型结构进行调整,对卷积层与批归一化（Batch Normalization,BN）层进行融合设计,将需要两个步骤进行的卷积计算和BN层计算融合为只需一个步骤的矩阵乘法。然后,本文从网络参数方面入手,来压缩模型大小,加速模型推理。首先,对模型参数进行优化设计,在模型推理阶段采用无符号整型8位量化方案缓解嵌入式系统计算资源与存储资源不足的问题,分别对卷积层与激活层进行矩阵乘法的量化设计。其次,为进一步加速目标检测,本文提出了卡尔曼滤波预测与目标检测算法融合的优化方案,即采用卡尔曼滤波算法直接预测物体检测框,从而降低目标检测算法模型推理的频次,获得了更低的物体检测平均时延和功耗。同时,通过仿真验证了该算法能够在良好的检测准确率下完成目标检测。最后,为验证本文设计的嵌入式目标检测优化算法,本文设计并实现了实时目标检测嵌入式系统。该系统的硬件基于迅为iMX6处理器和Google张量计算单元,软件依赖GStreamer流媒体框架和嵌入式模型推理APITensorFlow Lite。在该系统中,本文分别对优化算法进行了性能测试。测试结果表明,本文提出的算法优化设计能够在该嵌入式系统中实现低功耗、低时延和高性能的实时目标检测。