深度学习作为机器学习算法中的一个新兴技术,极大地促进了机器学习的发展,受到了世界各国互联网公司和相关研究人员的关注。但深度学习模型在提供出色精度的同时往往也对计算平台有很高的性能要求,加大了平台的存储和运算压力,因此研究如何将大尺寸模型轻量化、提升模型运行速度、减少内存消耗,从而提高算法性能和减少模型吞吐量与运算量,成为近年来的研究热点。由于边缘计算平台具有可移植性、多功能性、高能源效率的特点,现在其正在成为深度学习部署的关键,研究在边缘端高效率的深度学习部署方法具有很强的现实意义。基于此背景,本文立足于当前深度学习中的计算机视觉目标检测方向,研究目前最优的深度目标检测模型的设计方式和模块结构,并研究轻量化模型的结构设计与模型的轻量化转化方法以及模型的压缩剪枝等计算量缩减方法。针对该研究方向当前的研究痛点,本文基于Tensor Flow2.0设计并实现了一个面向边缘计算的单阶段深度目标检测API,基于该API进行了面向边缘计算的神经网络轻量化方案的研究,在研究中将当前前沿的轻量化目标检测网络上进行重设计,成功地在降低计算量的同时提升了网络精度,并将网络进行优化和量化等操作,给出了精度的对比分析。同时本文在面向边缘计算的不同硬件上进行深度学习的模型部署探索,在包括高性能嵌入式GPU平台,Android平台,消费级ARM平台以及异构芯片平台等多种硬件进行深度目标检测模型的部署研究。在平台框架原生不支持的条件下,进行了针对平台的高效客制化模型算子的实现方法探索,并给出了对比分析,最终针对三种平台给出了四种完整的硬件部署方案。