目标检测技术作为计算机视觉领域一个重点研究内容,已经广泛应用于交通出行、安防监控、健康医疗等各个生活场景之中。目前基于传统方法的目标检测方法,检测精度太低,而一些基于深度学习的目标检测方法,虽然显著提高了检测的精度,但是由于使用深且复杂的卷积神经网络,检测的速度难以满足实际应用的需要。随着在智能终端和移动端部署深度学习模型的需求的出现,如何在保证目标检测精度的同时,提高检测的速度和减少模型的体积成为了目标检测领域的一个研究重点。本文提出了一种基于轻量级卷积神经网络的快速目标检测方法,通过设计高效而精简的卷积神经网络,显著提高目标检测的速度,同时针对小目标、遮挡目标、密集目标检测困难的问题,在轻量级卷积神经网络基础上,提出了多尺度和特征融合的目标检测模型。主要的创新工作如下:(1)提出了基于轻量级卷积神经网络的目标检测方法。设计了一种轻量级的卷积神经网络模型—ThinNet,它主要由Front module和Tinier module组成。Front module用来减少原图的信息损失,Tinier module使用点卷积减少模型的计算量和体积。通过实验与其他的主流的网络模型和目标检测方法对比,验证了ThinNet能够在保证精度的同时,需要更小的存储空间,以更快的速度运行。(2)提出基于多尺度和特征融合的目标检测方法(MFFD),通过将不同层次的特征图融合和在不同尺度的特征图上做目标检测,充分利用特征图的上下文信息,大幅提高了对小目标、遮挡目标、密集目标的检测效果。根据融合方案的不同,设计了两种模型:MFFD_A和MFFD_B。在具有挑战性的数据集上的实验表明,MFFD的检测效果优于很多主流的方法,并且在嵌入式设备和低功耗设备的探索实验中,MFFD的速度能够达到100多fps,完全适用于真实场景下的实时目标检测应用。(3)设计了一款基于深度学习的快速目标检测系统,能够更直观方便地展示本文的研究成果,该系统划分为三个功能模块:导入图像模块、目标检测过程模块和检测结果保存模块。利用该系统可以更清晰地展示目标检测过程中的结果图及各种评价指标,并保存结果图像和自动批量检测保存图像。