深度学习的出现使得计算机视觉得到了蓬勃的发展,而目标检测作为计算机视觉中最为基础的任务,已经在自动驾驶、智能监控、智慧医疗等各个领域中得到广泛的应用。近年来随着社交媒体网络和移动/嵌入式设备的普及,使得视频和图像数据量急剧增长,进而导致了对视觉数据分析的需求不断增加,如何兼顾算法的速度与准确度的平衡,尤其是实现适用于移动低端GPU设备的实时目标检测算法成为当前研究的热点。本文在实时目标检测算法YOLOv5s的基础上进行研究与改进,在保证实时性的基础上提高算法的准确度,并将改进后的算法应用到嵌入式设备中实现了不同场景下的实时检测。本文工作总结如下:1.针对基准算法对小目标检测精度不足的问题,本文提出了一种基于自适应感受野增强（ARFA）和多尺度融合注意力机制（MFA）的特征融合网络。首先,自适应感受野增强模块（ARFA）,使用空间金字塔卷积来融合不同感受野的特征,同时为了减少参数量,使用不同扩张率的空洞卷积来代替普通卷积。除此之外,对于每个卷积层,不同感受野的特征对网络的贡献是不同的,本文通过一种门控（gate）机制,让网络根据输入特征图去自适应学习不同感受野分支的权重,然后将各分支进行加权融合输出。其次,多尺度融合注意力机制（MFA）,目的是建模不同分辨率特征在融合时通道间的相关性,通过网络学习的方式来自动获取到不同尺度每个特征通道的重要程度,最后再为每个通道赋予不同的权重系数,从而来强化重要的特征抑制非重要的特征,使得网络在融合不同尺度特征时可以自动学习不同尺度特征的重要性,能够更充分有效的融合上下文信息,为预测目标提供了更有效的特征信息。最后,本文结合ARFA和MFA提出了增强路径聚合网络（EPANet）,在三个尺度的预测层上分别添加ARFA模块,提取更加细粒度的特征,然后在自上而下和自下而上的融合支路上都通过MFA进行融合,使得不同尺度不同感受野的特征能够充分而有效的融合,为预测网络提供了更丰富有效的特征信息,提升对小目标的检测效果。2.针对算法中庞大的超参数需要手动设定的问题,本文使用一种基于遗传算法和超参演化的超参搜索方法对算法中必要的超参数进行搜索,得到最优的超参组合,不消耗额外的推理时间能够提升算法的准确度。3.本文在对YOLOv5s算法改进的基础上,将在Pascal VOC数据集上训练好的模型经过onnx框架转换为TensorRT模型,经过量化加速后部署到带有低端GPU的嵌入式开发板Jetson Nano上,使用摄像头读入视频或直接输入视频或图像数据,通过控制传入参数切换自然场景检测、行人检测和车辆检测等任务,实现了一个移动灵活的实时多目标检测系统,具有一定的工程价值。