随着深度学习的快速发展,大量目标检测的技术开始应用于传统领域中,如自动驾驶,人脸识别,工业瑕疵检测等。目标检测中的大模型具有较好的检测效果,但伴随着巨大的网络深度和宽度,耗费了大量的算例和内存资源,难以在移动端部署。小模型可以在移动端部署,但往往效果不佳。知识蒸馏作为一种模型压缩方法,可以将大网络的知识传递给小网络,在不改变小网络架构的基础上,提升小网络的检测效果。在知识蒸馏中,大网络为教师网络,小网络为学生网络。如何将教师网络的知识有效传递给学生网络,一直是知识蒸馏的核心问题。本文基于工业领域常用的YOLOv3模型,将对知识蒸馏中知识的有效传递问题展开研究,主要工作贡献如下:（1）针对教师网络传递知识的重要程度未被度量的问题,对现有的信号图进行改进,提出基于信息图对特征提取层展开蒸馏。将训练好的YOLOv3作为教师网络,训练好的yolov3-tiny作为学生网络,通过教师网络的输出重新训练学生网络。训练过程中,冻结教师网络的权重,将教师网络从训练集学到的知识经信息图筛选后传递给学生网络,使学生网络的输出逐渐接近教师网络的输出。经实验表明,基于信息图的蒸馏方法在不改变yolov3-tiny网络结构的基础上,在VOC数据集上提升了8.3%的m AP指标值。（2）针对教师网络的知识未被充分传递给学生网络的问题,对特征提取层和特征融合层同时展开蒸馏,使学生网络更充分地学习教师网络。蒸馏过程中,度量教师网络特征融合层与学生网络在特征融合层输出的差值,通过反向传播算法更新学生网络的权重来不断减小差值,使学生网络在特征融合层的输出逐渐接近教师网络。实验表明,对特征融合层的蒸馏可以在（1）的基础上继续提升1%的m AP指标值。