车辆检测作为辅助驾驶领域的一项关键技术,长期以来备受国内外学者的广泛关注。与传统手工设计特征的算法相比,采用深度神经网络的车辆检测算法虽然在检测精度方面获得了巨大的提升,但是检测算法的计算量非常大,通常需要借助GPU提高运算的并行性,因此在很多对产品功耗和成本要求较高的应用中仍然面临很大的挑战。本文研究轻量化模型的前方车辆检测方法,设计并实现了运行于嵌入式设备的车辆检测系统,主要工作如下:（1）提出基于YOLOv4-tiny改进的车辆检测算法。首先通过优化特征提取网络来提高模型的检测精度,将YOLOv4-tiny模型与改进后的S-Mobile Net模型结合,从而提高模型的特征提取能力;其次针对模型小目标检测能力较弱的问题,结合多尺度融合思想,在原模型两尺度预测输出的基础上增加一层小尺度预测输出;再次为获得更为优质的锚框,选用初始化效果更好的Kmeans++算法,并结合IOU修改距离度量的表示;最后设计了基于注意力机制的特征金字塔结构,在增强关键位置信息输出的同时抑制不重要的信息,从而使得模型在特征融合时能够获得表达能力更好的语义信息。实验结果表明,改进后的模型相较于改进前检测精度提升了9.8%。（2）结合模型压缩技术,设计了针对改进YOLOv4-tiny算法的通道剪枝策略。首先选用批归一化层中的缩放因子作为评判通道重要性的标准;接着为便于通道的评估和修剪,在损失函数中增加对缩放因子的L1范数限制,以达到稀疏化缩放因子的目的;最后采用迭代剪枝方式按照一定剪枝比移除冗余的通道,从而实现模型压缩。在通道剪枝过程中,针对逐通道卷积结构和短路连接结构,本文分别设计了相应的剪枝策略,以保证剪枝后各结构的有效性。实验结果表明,本文设计的通道剪枝策略可以使模型在检测精度损失1.4%的情况下,压缩率达到46.6%,并且在ARM-CPU架构上运行速度提升近一倍。（3）设计并实现了一套基于嵌入式平台的前方车辆检测系统。该系统硬件以树莓派4B平台和英特尔第二代神经计算棒为主体,检测方法采用了本文提出的改进YOLOv4-tiny模型及设计的剪枝压缩策略。系统能够采集当前车辆的前方图像,对图像中的车辆目标进行检测并将检测结果输出显示。仿真和道路测试实验的结果表明,该系统能够在保持较高检测准确率的同时获得较快的检测速度,每秒检测速度达到14.8帧。在实际的道路实验中初步验证了该系统的有效性。