目标检测已然成为计算机视觉的基础任务,为许多下游任务的发展带来了巨大的动力,因此受到广泛的关注。随着深度学习技术的发展,基于深度神经网络的目标检测算法更倾向于复杂的框架和更深的神经网络,这在提升网络性能上非常必要。然而,复杂的框架、高昂的计算成本也限制了很多优秀算法的应用。本文旨在简洁的目标检测框架上思考合理的神经网络轻量化方法,并针对其展开探索和研究。本文研究的前半部分聚焦于通过轻量化模块设计结合多特征融合的方式对基于关键点的目标检测算法进行轻量化改进,提出了一种基于多特征融合的轻量化目标检测算法。该方法利用本文提出的基于中心点的自适应高斯热图编码策略对输入进行编码,实现对目标的自适应编码。在特征提取网络中引入本文提出的混合反残差模块以达到轻量化和特征融合的作用。另外,还引入了一种带有注意力机制的空间金字塔池化模块,对多尺度局部区域特征进行池化、级联和筛选,使网络能够学到更加全面有效的特征。实验表明,该方法在通用检测数据集PASCAL VOC上将m AP从72.56%提升到了73.71%,同时参数量与计算量均有明显降低。本文研究的后半部分聚焦于通过知识蒸馏结合多范式网络设计的方式对基于关键点的目标检测算法进一步轻量化,并将其迁移到实际的应用中,提出了一种基于热图知识蒸馏的轻量化目标检测算法。该方法首先构建了基于热图的知识蒸馏框架,通过挖掘教师网络热图中的潜在知识引导学生网络学到更具泛化性的特征。其次,结合了Transformer设计范式和卷积神经网络设计范式构建了在局部特征以及全局建模均更有优势的教师网络。最后,设计了热图知识蒸馏损失,通过平衡教师网络与真值的贡献,动态调整学生网络学习的走向。实验表明,该方法保持轻量化的同时在通用检测数据集PASCAL VOC上将m AP从73.71%进一步提升到了74.23%,并且在车辆与行人检测数据集L-KITTI上实现了73.5%的m AP。