交通目标检测是实现无人驾驶的重点也是难点,其准确性和实时性是评价检测系统的重要指标。目前基于深度学习技术的应用系统主要部署在云端服务器,网络环境极大影响系统响应速度,将系统部署在小型嵌入式计算机中,有利于提高系统速度,提供稳定的服务以及保护用户隐私。但随着目标检测精度的不断提升,模型的参数存储成本和计算量也在不断增加。选择一个高精度、低内存需求、更少计算量的目标检测算法具有很高的现实意义。为此,本文在保证精度的前提下,提出压缩模型大小、降低内存需求的交通目标检测的解决方案。本课题的工作概括为以下内容:首先本文阐述了本课题的研究背景及意义,分析了目标检测的国内外研究现状、发展趋势及存在的问题。对部分学者提出的目标检测的方法进行了学习研究,并对目前主流算法:DPM算法、Faster R-CNN算法、SSD目标检测算法等进行介绍与分析。为实验选取、制作有效数据集并选用有效的评价指标对实验效果进行量化。然后在分析目前主流目标检测方法的基础上,针对目前性能较优的YOLOv3目标检测算法提出了两种网络压缩的方法:(1)提出了基于轻量级网络的改进模型YOLOv3-M。该模型使用深度可分离卷积代替传统卷积减少模型的参数量和卷积过程的计算量,并采用倒置残差结构提高特征维数从而提升卷积效果。为了提高算法精度,加快收敛速度,通过优化K-means++算法对目标框重新聚类,并采用交并比作为距离评价标准。并采用SS-NMS(Soft-NMS+Softer-NMS)方法对候选框进行选择与优化,得到最终检测结果。实验结果表明,相比主流目标检测算法,YOLOv3-M检测速度有很大的提升,达到了78frame/s,是YOLOv3的3.5倍;在mAP指标上,相比于检测效果最优的YOLOv3模型,该模型仅降低了3.32%。并且通过使用新的非极大值抑制算法使YOLOv3-M的mAP提升了5.84%,优化了预测结果。(2)为了提高目标检测算法的实时性、减少内存需求,提出了基于剪枝的YOLOv3模型。首先通过分析YOLOv3网络结构,将剪枝卷积层根据结构划分为两类:普通卷积层、跨层连接卷积层。对于普通卷积层的剪枝,本文采用基于L1范数和几何中心双重评价指标对信息量少、信息冗余的通道进行剪枝;对于跨层连接卷积层,本文采用group剪枝法解决约束剪枝问题并采用缩放因子作为评价指标进行剪枝。剪枝后的网络mAP仅下降了2.26%,内存需求下降了54.40%,FLOPs下降了55.06%。最后为了验证本文算法的实用性以及可靠性进行了系统设计,在第一种方法的基础上设计并实现了行人与交通工具的目标检测系统,该系统主要包括图像目标处理和视频目标处理两个模块。通过对系统进行测试表明,该系统可以较好的实现对交通目标的检测。