当前,智能手机、嵌入式设备等移动设备已广泛应用于各类场景。同时,深度学习在图像识别场景和目标检测场景的应用已经取得巨大成功。移动设备多基于模块化设计,方便搭载多类传感器,能很好满足目标检测等算法的应用场景需求。但深度学习的庞大计算量需求对其在移动端的部署造成很大挑战。基于以上需求,本文在目标检测领域开展研究,通过优化深度学习模型,解决模型对硬件高计算性能需求与移动设备硬件性能受限的矛盾。本文结合理论研究与工程实践开展工作,具体工作包括:对轻量深度学习模型结构进行分析和改造,替代网络基础结构,并封装为方便调用的模块;对目标检测系统进行功能拆解,对各个部分单独优化,同时引入轻量模块,实现了对目标检测系统局部模块和整体结构的组合优化;最后,在轻量模型的基础上,基于通道剪枝方案,通过制定详细的剪枝策略,实现了模型参数的进一步压缩。本文使用标准数据集,在移动设备上对轻量目标检测系统和压缩模型进行部署和性能测试。相比原始系统,轻量系统以损失检测准确度3.5%的比例为代价,检测速度获得了约2.8倍的提升,系统实时性得到改善;通过通道剪枝,模型在保持精度不变的同时,参数量被大幅度缩减,模型压缩比例约为5.6:1,降低了模型对设备内存容量的占用,同时在检测速度上获得了约1.6倍的提升。