目标检测技术是众多计算机视觉任务中的关键技术之一,在交通、安防、军事、医疗等众多领域发挥着重要作用。然而设计精准、快速的深度学习检测模型仍是首要的解决的困难。依赖强大有效的复杂模型势必会引起计算量的激增,导致实时性较差;然而简洁快速的网络结构会使得模型检测准确度的下降。针对上述问题,本文分别从提升检测准确度和检测速度两方面做了以下探究。首先以端到端检测的单次多目标检测器(Single Shot MultiBox Detector,SSD)为基础架构,进行检测准确度的优化。SSD检测模型有着较好的检测实时性,但由于网络结构本身限制使其未能充分利用不同卷积中的特征信息,使得在小目标检测方面鲁棒性不足。基于此,设计了多尺度特征复用(Multi-level Feature Reused,MFR)模块并提出了MFRDet检测模型。MFRDet把不同卷积层联系在一起,采用多尺度输出共同参与最终预测。MFR模块复用了七个不同分辨率特征图中蕴含的信息,均衡了模型的深层卷积网络中高级语义信息和浅层卷积网络中局部信息的分布,实现了较高的检测精度。然后采用深度学习模型压缩的方法,提升MFRDet模型的检测速度。针对因MFR模块的引入增加的模型的计算成本,设计了软通道剪枝的解决方案得到紧凑高效的MFRDet-Lite检测模型。通过批标准化(Batch Normalization,BN)层参数与卷积通道的对应关系,对模型稀疏化训练并依据BN参数进行软通道剪枝。将贡献度较小的卷积通道重新整合一个新的复合通道,规避了常规通道剪枝因暴力剔除而引起的卷积通道信息缺失现象。同等实验平台下,MFRDet-Lite在保持原有检测精度同时,实现了较快的检测速度。