伴随着近几年来人工智能的迅速发展,深度学习这一目前人工智能理论中最重要的技术被广泛的应用于各个领域之中,并起到了非常重要的作用。其中,计算机视觉一直是深度学习研究中最为活跃的几个研究方向之一,目标检测则是计算机视觉研究中的重点和难点。在军事领域中,目标检测在战场侦察、自动巡逻打击、无人作战和防御警戒等方面都有着重要的作用。由于深度学习涉及到很多向量和多矩阵运算,所以目前大量关于深度学习的研究都是基于GPU开展的,而GPU作为一个通用计算平台在应用部署中又存在功耗大的问题。本文主要研究了一种脱离GPU的深度学习算法应用,根据国防科技大学计算机学院自主研发的FT系列DSP的特点,结合对现有深度卷积神经网络的分析,开发了一个针对移动军事目标的深度学习方法目标检测系统,并且在FT-M7002多核DSP嵌入式平台上完成了部署及优化,实现了一个低功耗高性能的嵌入式深度学习应用。本文的主要工作如下:(1)建立了一个针对军事目标检测的小样本数据集。深度学习算法前期需要大量的数据进行反复迭代训练,而由于军事目标的特殊性,目前并没有公开的数据集可以直接使用。本文收集了6类公开的军事目标图像共6000张,并对其进行了数据标注。该数据集可以用来进行深度学习和计算机视觉相关研究训练的基础数据集。(2)在现有目标检测算法的基础上进行改进提升。本文对现在的深度学习目标检测算法进行了分析与总结,融合了先进的YOLO和Faster R-CNN思想,实现了一种更适用于FT系列DSP部署的目标检测网络。最终在训练集上达到了75%的正确识别率,高于YOLO的67%和Faster R-CNN的72%,在场景实测中普遍可以达到80%以上的识别率。(3)实现了一个小样本的深度学习训练。本文结合迁移学习等技术,实现了基于小样本的深度学习网络并成功部署在FT-M7002 DSP IMG图像系统中,为小样本深度学习应用研究提供了参考方法。(4)在FT系列嵌入式平台上优化了深度学习目标检测系统。现在深度学习应用落地的一大难点就在于其计算量的庞大导致需求算力较高,而相对应的通用计算平台的功耗和成本都难以控制。本文结合FT系列DSP的体系结构特点,对深度卷积神经网络的运算过程进行深度优化,在FT-M7002多核DSP嵌入式平台上完成了军事目标检测任务,充分的发挥了该嵌入式平台的低功耗和便于嵌入其他装备等优点,为深度学习算法在FT系列DSP上的应用提供了参考方法,并具有较高的实用价值。相比于先进的桌面级CPU intel i7-4900和深度学习训练常用的Nvdia GPU GTX 1080 Ti,在相同网络同等运算量的情况下,本文设计的DSP系统的功耗分别只有其17.8%和6.1%。