伴随着工业的急速发展,深度学习由原来无人问津到应用十分的广泛,其中目标检测研究方向是深度学习中比较重要的一部分,而且发展十分迅速,被业界越来越重视。由于检测环境越来越复杂,也就是应用场景越来越复杂,检测设备由于技术的提高也越来越先进,目标检测领域从最开始的传统算法发展到现在的深度学习算法,其中对小目标检测和检测速度的研究一直很多,本文主要针对这两个方面进行研究试验,具体内容包括以下几点:首先,对深度学习目标检测网络Faster R-CNN和YOLO-v3的基本原理进行分析,其中包括它们检测目标的整体流程,目标检测内部网络结构分析,特征提取,损失函数构建,以及轻量化网络MobileNet-v3原理,为后续在此基础上进行算法优化奠定了理论基础。其次,提出一种改进的Faster R-CNN小目标检测算法。针对Faster R-CNN内部网络结构对特征图信息利用不充分这一问题,对网络内部结构增加一条自下而上的反向侧边连接路径,对目标检测方法做出优化,然后,采用公开的数据集MS-COCO对其进行训练和测试。实验证明,不同IoU阈值获取的数据,与没有改进前的Faster R-CNN网络相比,其中包围盒和目标检测准确率都得到了一定程度的提高,尤其对于小、中等尺寸目标的检测准确率提高较多。最后,提出了改进YOLO-v3的目标检测算法,在初始的YOLO-v3的网络结构中,将原来的backbone网络Darknet-53替换为更为轻量化的MobileNet-v3,设置各项训练参数,在MS-COCO数据集上训练模型,并保存模型,测试模型性能,检测精度降低很少为前提,提高的检测速度,而且在运行中CPU占用率减少效果较为显著。然后利用改进的YOLO-v3网络训练红外人脸数据,对红外人脸进行检测,并将模型部署到FPGA7020上,利用DPU做并行加速,得出实验检测推理时间,实验结果表明改进后的YOLO-v3提高了检测速度,并证明了在移动设备进行实时检测的有效性。为在移动设备中达到实时检测奠定了基础。本文算法对目标检测算法中小目标检测和检测速度两个经典方向做了相关研究,进一步提高了算法模型的性能,使其在较为复杂的环境中表现出更为理想的检测效果打下坚定的基础。