近年来,随着深度学习软硬件技术的日益发展,以深度学习为基础的智能化设备也日益成熟,其中就包括常被用于对海上的目标以及障碍物进行检测、跟踪和测量任务的无人水面艇。基于计算机视觉的海上目标检测技术是辅助无人艇行进的重要传感单元,因此研究海上船舶目标的检测算法有着重要的意义。深度学习技术的发展使得各种目标检测算法在高性能GPU设备的支持下检测速度和精度都达到很高的水平,这主要得益于这些算法复杂的网络结构和海量的训练数据,但与此同时,伴随而来的是网络模型庞大的参数量和计算量以及硬件设备高功耗高算力的要求,这导致模型向移动端或嵌入式端等低配置平台的部署受到了限制。因此如何利用尽量少的算力资源,同时实现目标检测模型的高性能,即轻量化网络设计,也成为了学界研究的重点。本文将针对以上问题,进行轻量化网络结构的船舶目标检测技术研究,在保证船舶目标检测精度的同时,尽可能减小模型体积和计算量并提高检测速度。通过对常用目标检测算法对比分析,最终选用一阶段目标检测算法YOLOV3作为研究目标,并主要从基础主干网络和深层特征融合网络两方面对模型进行了轻量化改进。在基础主干网络的改进中,本文使用轻量化性能优异的MobilenetV2和ShufflenetV2网络思想对YOLOV3的主干网络进行精简和优化,结合轻量化目标检测任务特点设计不同的改进策略,并在服务器上实现算法的训练及评估,通过对在自建船舶目标数据集上的实验结果比较分析,选用其中表现更好的模型结构。在深层特征融合网络的改进中,本文将主要针对其单元组成结构中的卷积神经网络、BN层和激活函数设计不同的改进方法,并通过实验验证各方法的有效性,完成轻量化船舶目标检测模型的初步设计。在以上设计的模型基础上,本文还将引入剪枝、量化和蒸馏等模型压缩与加速的方法,对模型整体做进一步轻量化改进,从而获得更小的模型尺寸和更快的检测速度,并尽可能减小改进中的精度损失,将模型训练结果与YOLOV3原模型性能对比分析轻量化改进的具体效果。本文最终将通过实验验证后的轻量化船舶目标检测模型通过压缩模型部署工具转译得到适用于无人水面艇中嵌入式环境的模型文件,并将转换后的目标检测模型在对应的CPU环境上模拟运行,通过实验结果探索该模型在实际海上环境中对船舶目标的实时检测效果。