生活和生产的信息智能化正成为当前社会发展的趋势。为了提高生活质量和生产效率,人工智能技术成为一项不可获缺的手段。在人工智能领域,计算机视觉技术是一门备受关注的学科,它能够对图像数据和视频数据进行分析和处理,并辅助人们做出精准和高效的决策。目标检测是计算机视觉领域的核心分支和基础性任务,其广泛地应用在交通运输、安防、工业生产和医疗保健等方面。现存的目标检测算法依赖于复杂精密的骨干模型以获得傲人的检测效果。然而,这些庞大且精密的目标检测模型带来的高存储空间需求和强算力支持需求,对于边缘端的移动设备和嵌入式设备来说是不可接受的。本文围绕当前目标检测算法面临的挑战,基于Faster R-CNN检测框架,以获得更加轻量的骨干网络和更高的检测精度为目标,开展基于轻量化模型的目标检测算法研究。本文的研究内容主要为:针对骨干模型的网络剪枝算法,和基于内部特征图融合的知识蒸馏算法。上述研究内容的详细介绍如下:1.提出了一种依托于注意力机制的卷积通道剪枝算法,该算法通过在原始模型中插入参数量和计算量都极少的注意力模块,来指导模型卷积层的通道剪枝,从而实现计算量的削减,并通过遗传算法为模型搜索最优的稀疏结构。该算法可以对目标检测框架的骨干网络进行剪枝。实验证明该方法在有效削减模型的计算量的同时,能够将由剪枝带来的模型精度损失控制在可接受的范围内。同时,该方法针对深度学习模型进行压缩,任何基于深度学习模型的算法都可以使用本文的剪枝算法进行优化。2.提出了一种基于内部特征图融合的知识蒸馏算法,该算法基于图像融合的思想,通过教师模型内部特征和学生模型内部特征的融合,缩小教师模型和学生模型的差距,从而提高蒸馏的效果。特征蒸馏还可以结合软目标蒸馏,获得更好的模型表现。为了平衡目标检测中目标样本和背景样本类别的差异性,还可以对软目标进行分类计算蒸馏损失。蒸馏的学生模型是剪枝后的骨干模型。在图像识别数据集和目标检测数据集上的实验证明了本文蒸馏算法的有效性。