伴随着人工智能技术的快速发展,机器视觉结合深度学习在工业领域的识别,检测等方面有了更为广阔的应用前景。在目标检测的任务之中,随着卷积神经网络的不断发展,目标检测的精确度也越来越高,代价就是网络模型也越来越大。卷积神经网络的目标检测精度虽然超过了传统的方法,但是在无人机这类小型嵌入式设备中,却无法同时满足实时性和准确性的要求。如何对卷积神经网络模型进行轻量化改进,这已经成为了新的研究热点。针对机载嵌入式设备运行基于深度学习的目标检测网络,保证其同时满足实时性和准确性的需求,本文的主要研究内容如下:首先,本文论述了无人机和深度学习的目标检测技术发展历程,介绍了深度学习的相关理论基础,分析了常用的卷积神经网络的轻量化策略,为后面的研究奠定了基础。随后,本文深入地研究了SSD目标检测网络。SSD网络可以在多特征尺度上预测不同尺度的目标,对小目标具有较好的检测效果,适合无人机在高空检测地面目标。在分析了SSD网络结构之后,本文在SSD网络模型的基础上进行轻量化改进,为了平衡网络模型的大小和性能,最终选取轻量级网络MobileNetV2替换SSD算法原本的VGG16网络进行深度特征学习。MobileNetV2的深度可分离卷积结构结合SSD网络能够有效地缩小网络模型的大小,然后在PASCAL VOC数据集上验证本文算法的效果,证明了本文算法在检测速度上大幅度地超过了SSD最初的网络模型。最后,本文分析了四旋翼无人机的模型,研究了相机成像原理并且利用张氏标定法对相机进行标定。然后结合机器人操作系统ROS、Gazebo物理仿真平台以及PX4软在环仿真,搭建了无人机的模拟仿真平台进行实验分析。实验实现了本文改进的基于深度学习的轻量级目标检测算法在无人机目标检测任务中的应用。