近年来,随着目标检测领域的多样化进步,一定程度上为智慧交通、智能定位、智慧工厂等一系列新型产业的发展提供了技术理论基础。在当今万物互联的大环境下,移动终端设备呈现爆炸式增长趋势,给人们工作和生活带来了巨大便捷。但是移动端设备资源有限,难以处理耗费大量系统资源的目标检测任务。若能对原本工作在大型服务器下的目标检测算法通过一系列模型压缩、加速与优化方法处理优化,使之能更快更小的部署到移动端设备上,有助于目标检测算法落地及推广。目前已有很多学者关于目标检测轻量级部署展开了研究并取得了预期成果,但仍存在一定的挑战性问题亟需解决。通过研究现有常用的模型压缩优化方法,本文针对常见目标检测算法做了一定的改进升级,具体研究内容如下:1.针对第三代快速实时目标检测(YOLOv3)算法中,小尺度目标检测效果、精确度不佳及批处理尺寸大小严重影响模型训练等问题,提出了一种新型的改进优化方法。首先通过融合双向特征金字塔网络(BiFPN)结构和滤波器响应归一化(FRN)技术,旨在提高传统YOLOv3算法的精确度;其次借助于第二代洗牌网络(ShuffleNetv2),完成模型空间的压缩及推理速度的提升;最后在COCO2017数据集上进行实验验证,仿真结果表明所提优化算法对各类别AP平均值(mAP)提升效果显著,模型所占空间及浮点总计算量均有下降。此外,通过各轻量级网络对比实验可以看出,ShuffleNetv2更适合当作改进版YOLOv3算法的轻量级网络模型结构。2.针对区域建议网络辅助下实现实时目标检测(Faster-RCNN)算法存在的训练耗时过长及模型空间过大等问题,提出了一个对传统Faster-RCNN算法进行模型压缩与加速的优化方案。首先通过混合剪枝、交替方向乘子(ADMM)法寻求超参数,完成Faster-RCNN剪枝,然后联合基于均匀量化的知识蒸馏方案,达到进一步压缩加速模型、提升Faster-RCNN识别目标速度及最小化模型的目的;最后通过在PASCAL VOC 07+12数据集上进行对比实验表明本文提出的优化方案一定程度上缩短了检测耗时、提高了模型检测精度并且减小了模型空间。