随着计算机视觉领域的发展,目标检测一直作为计算机视觉中最为热门的研究方向之一,在交通、医疗、安防甚至是军事等领域有着广泛的应用价值。与此同时,深度学习的崛起让基于深度学习的目标检测算法发展迅速。目前较为新颖的目标检测算法为基于关键点检测的目标检测算法。另一方面,物联网的快速发展导致有更多的资源有限的设备有着部署目标检测算法的需求,而目标检测算法通常需要占用设备中大量的资源,因此对其进行轻量化研究很有必要。本文的研究内容如下:（1）由于基于关键点检测的目标检测算法新颖且通用性高,在不更改网络主体的情况下可适用于3D目标检测以及人体姿态估计。选择基于关键点检测的目标检测网络作为研究主体。并且根据自身实验环境对网络结构做出改变,从而得到基准网络模型,用于与轻量化后的网络模型进行对比。（2）分析目前最为通用的迭代剪枝流程在基于关键点检测的目标检测网络的不足之处,从而提出权重恢复的迭代剪枝流程。并且在输出通道剪枝标准中,通过分析关键点检测的目标检测网络的特点,选用批量归一化层中权重绝对值的大小作为输出通道参数重要性的依据。（3）通过对深层神经网络量化可行性的分析以及对目前通用的量化流程的详细阐述,从而提出适用于关键点检测的目标检测网络的训练时量化算法。并且根据关键点检测的目标检测网络中权重参数的特点,对权重量化模块和激活量化模块的参数更新进行针对性优化。（4）为了直观的对结果进行验证,设计软件系统提供目标检测结果的可视化界面。并且为了检测模块系统的通用性,对自制数据集进行了支持。与此同时,在训练模块中,对关键点检测的目标检测网络的迭代剪枝算法和训练时量化算法联合使用的方式进行优化,以便将更为高效的获得轻量化的模型。