目标检测算法是计算机视觉领域中一个热门研究领域,其主要的应用是识别并定位场景中关键目标,这种检测技术已经有了很多成熟的应用,如视频监控,智能交通,图像检索,人机交互等领域。虽然目前基于深度学习的目标检测算法通过使用大型卷积神经网络实现了较高的检测精度,但其带来的巨大内存占用与计算资源消耗等缺点,使得模型难以部署在算力、功耗等方面受限的边缘和嵌入式设备上,也不易实现实时检测应用。针对以上问题,本文基于YOLO（You Only Look Once）系列单镜头设计原则提出了一种轻量级目标检测算法。本文着重于基于嵌入式平台的轻量级目标检测算法研究,主要工作有三点:（1）设计了一种轻量级的卷积模块NEP（No-Expansion-Projection）,该模块在瓶颈结构的基础上使用Ghost Module代替1x1卷积,以更小的计算代价实现了通道间信息融合与特征提取,并在其中加入了注意力模块ECA（Efficient Channel Attention）来重新分配特征通道的权重系数,降低特征通道间的相关性,提高了轻量级网络对有限参数的利用率。（2）在NEP模块的基础上,基于YOLO系列算法的框架提出了一种基于视觉注意力机制的轻量级的多尺度目标检测算法（Attentional Ghost Feature-You Only Look Once,AGFYOLO）,解决了目前大型深度卷积神经网络占用内存大,算力要求高,无法在内存受限的边缘移动场景部署的问题。（3）基于嵌入式芯片Hi3516DV300和海思智能视觉异构加速平台SVP（Smart Vision Platform）,通过模型的量化和训练框架的迁移,在嵌入式设备上部署了本文提出的算法模型AGF-YOLO,实现了在嵌入式设备上的实时目标检测。通过在公开数据集上的训练和测试,本文所提出的轻量级目标检测算法AGF-YOLO在VOC2007数据集上的mAP可达73.8%,超过了目前大部分主流的轻量级目标检测算法,同时其参数量仅为1.54M,计算量仅为1.6GFl OPs,而在本文所使用的嵌入式平台Hi3516DV300上部署AGF-YOLO,其检测精度可达70.52%,推理速度为40FPS,基本满足实时检测的需求,证明了本文所设计的轻量级目标检测算法的有效性。