随深度学习的发展和硬件设备的完善,目标检测逐渐成为计算机视觉方向的重要研究内容之一。它具备自动化和智能化属性,能够确定图像中是否包含指定目标,并给出目标准确的位置信息,在智慧交通、视频监控等诸多场景有着广泛应用。然而在图像背景复杂和目标被遮挡等的情况下,很难得到较好的检测效果,而且卷积神经网络的使用让模型复杂度有所提升,进而带来了计算成本的增加,导致算法应用在算力较低的设备上时出现计算速度慢等问题。基于此,本文对基于深度学习的目标检测方法展开了深入研究,构建了一种轻量化的目标检测模型,并在自制装甲板数据集上对本文所设计模型进行应用。其中,主要的工作如下。1.在目标检测任务中,传统的方法大多使用手工设计的特征算法对图像进行分类,因此存在鲁棒性差,耗时过长等问题。基于此,本文引入卷积神经网络作为目标检测的依赖结构。在对卷积神经网络结构进行分析的基础上,分别研究了基于单阶段和基于两阶段的检测模型,采用了单阶段检测器(SSD)中锚点框回归的方式来设计网络模型,在不同尺度的特征图上实现对目标的预测。2.针对现有SSD模型参数量过大、检测效率较低的问题,引入了MobileNetV2网络中的深度可分离卷积和倒置残差块结构作为模型的特征提取网络,设计了以MobileNetV2网络为骨干网络的多尺度目标检测模型,实现对网络的剪枝,轻量化算法模型;针对后置算法中非极大值抑制(NMS)操作容易使重叠度较高的同类目标出现漏检的问题,引入置信度衰减函数,提出了改进的非极大值抑制策略;通过Tensorflow框架完成了网络模型的设计,并以均值平均精度、参数量和帧率作为性能指标,在VOC数据集上对改进后的算法进行性能分析,实验证明本文提出的基于MobileNetV2和改进NMS的目标检测算法在主观评价和客观评价上均有良好的表现。3.将所设计的改进MobileNetV2-SSD模型应用在“全国大学生机器人大赛Robomaster”项目上,实现对智能车上装甲板的检测。构建了自制装甲板数据集,并通过参数调整对模型进行了训练,设计了不同环境下的装甲板检测实验,达到了快速、准确地识别待测目标的效果,最终取得了92.4%的AP性能指标。实验结果表明,改进后的检测模型具有较高的精度以及较快的检测速度,可以在低算力设备上实现对复杂环境下装甲板的检测,实际应用效果较好。