轻量化作为一种大型网络缩减为可移植网络的方法,可通过网络结构设计和模型压缩技巧的配合来达到降低模型运行时间的要求,而人工设计网络结构与模型压缩方法结合已成为目前研究的热门方向。浅层特征提取网络设计可以较快的完成图片信息提取工作,在网络结构设计领域中逐渐拥有了一部分的研究热度。但目前的浅层网络均为单一串行连接结构,特征传递过程中信息损耗较为严重,影响最终检测性能。对于这一问题,本文首先将特征提取网络从单一的串行连接结构调整为并行连接结构,以增加部分网络宽度为代价大幅缩减模型深度,得到了一种并行分支结构的轻量化模型。在这一模型的前提下,针对浅层网络中信息传递问题以及目标检测中NMS耗时严重问题,本文提出了两种解决方案:首先,针对目标检测模型进行特征提取时常使用层数深、耗时久的网络的问题,论文提出了一种将深层串行连接网络替换为较浅层并行连接网络的设计思想,网络设计的核心在于分支条数的搭建以及卷积模块间的轻量化设计思想。借鉴于Inception网络的分支设计思想,在有限的下采样设计模块中,论文提出了三种拥有不同分支条数的并行连接网络,通过对不同分支情况下的检测结果进行研究来确定最终的并行分支结构中的分支数目。然后,在卷积模块的设计环节中使用1×1和3×3的小卷积核,将常规正方形的卷积进行低秩分解操作用以降低模型计算量,并添加混洗、跳跃连接、模块并联等方式维持模型的特征提取能力。实验结果表明了所提出网络结构的可行性和有效性。其次,目前使用锚框（Anchor）的单阶段目标检测中常用非极大值抑制（Non-Maxima Suppression,NMS）操作抑制冗余预测框降低误检风险,常用的NMS及其变体通常是针对检测精度的效果提升而对检测框的剔除机制进行调整的,但却没有对IOU的运算与顺序的迭代抑制进行优化。针对这一问题,本文提出一种改善NMS中IOU运算的算法提升模型计算效率,算法首先将依照降序排列的检测框集合与其自身进行IOU运算,然后将所得矩阵上三角化后保留每列最大值构成一维向量,其次通过将一维向量化成的对角矩阵左乘IOU矩阵进行行变换,迭代找出与上次迭代相同的一维向量,最后得到不变的一维向量中保留数值为1的框,抑制数值为0的框。在不同NMS的实验效果证明,改善后的NMS具有更快的运算效率,且搭配提升精度的部分后虽运算效率略有损失,但检测精度得到了明显提升。综上所述,本文在单阶段目标检测的基础上融入轻量化的特征提取网络,获得了更快的模型运行效率。提出的NMS修改通过对矩阵运算方式的整理,多次迭代避免了冗余框对其他框的影响,对模型检测精度的提升具有一定的促进作用。最后测试了融合了两种轻量化改善操作的单阶段目标检测网络效果,模型在提升运算效率的基础上提升了网络检测性能。