目标检测算法是自动驾驶环境感知的关键技术之一。算法的复杂度特性和参数规模,使得车载计算平台的算力和功耗面临挑战。如何设计符合硬件特性要求的轻量化神经网络,是当前自动驾驶感知系统面临的难题。为此,本文综合考虑算法与硬件特性,基于FPGA车载计算平台实现了目标检测算法的设计与优化。在FPGA低功耗的前提下,针对当前算法与硬件设计割裂的问题,本文提出软硬件联合学习方法,设计了符合硬件特性的轻量化骨干网络。在此基础上,考虑驾驶场景复杂程度,提出了一种基于图像预分类的动态结构目标检测算法,进一步提高计算效率。论文基于Xilinx ZCU102对上述方法和理论进行验证,结合硬件加速方法实现了感知系统的高效运行。主要的工作内容如下:（1）针对当前算法设计与硬件设计的割裂问题,引入硬件特性,提出软硬件联合学习方法,设计硬件友好网络。在设计过程中采用神经网络结构搜索算法,针对搜索空间过大及搜索时间过长的问题,从搜索空间和搜索方法两方面做出了改进。通过对现有的高效神经网络模型结构参数的统计分析,得到参数量、总层数、分辨率、结构块特性、卷积核五个参数与分类准确率的规律,结合FPGA硬件特性分析,有效缩小了搜索空间。在搜索方法方面,基于软硬件联合学习方法,采用随机搜索、分组监督搜索与FPGA特性预测相结合的搜索算法,得到了高效的轻量化骨干网络SHNet,取得了Image Net上Top1 77.2%的检测精度。（2）为进一步提高计算效率,针对不同复杂度的图像信息,提出了基于图像预分类的动态结构目标检测算法,综合提高目标检测实时性和准确性。本文根据单帧图像中的物体遮挡、图像截断、标记框尺寸、目标总数以及代表性网络的漏检率,提出了一种图像复杂度的分类方法,得到图片目标识别的复杂度预分类模型。在此基础上,基于前述轻量化骨干神经网络结构,设计动态检测结构DSHNet,在VOC2007测试集上m [email protected]达到了82.14%,并在检测结构中采用深度可分离卷积减少计算量,实现了运行的高效性。（3）为了对优化后的轻量化目标检测进行实验验证,本文利用Xilinx编译工具,在ZCU102上对目标检测网络DSHNet实现算法的模型量化处理与编译。在VOC2007数据集上,采用随机抽样的方法,每次抽样100张图片进行目标识别,得到平均帧率43帧/秒,实现了感知系统的高效运行,对上述方法和结果的有效性进行了验证。