目标检测是计算机视觉中的热门方向,随着科技的发展突破,高性能图像采集设备和高清摄像头的普及应用,降低了用户获取包含丰富信息的高清图像的门槛,也带来了更高的计算成本。深度学习相较于传统检测方法,削减大量冗余计算,同时不断涌现更新的优质神经网络提升了对高清图像的检测精度。高清图像以包含大量细节的优势在医疗诊断、无人机侦察、机载舰载等民用、军用领域扮演着重要角色,在某些环境苛刻的场合对设备功耗和体积有着特殊限制,需要用到嵌入式设备完成低功耗、高性能的检测任务。而嵌入式平台中FPGA以低成本、低功耗和可重构等特点具有较高性价比,本文选用FPGA平台并面向高清图像完成目标检测算法的部署任务,主要研究工作如下:1.依据设计要求,以软硬件协同设计思想为指导,在异构嵌入式平台ZYNQ-7100资源约束下,制定了总体研究方案和设计思路,通过分析设计要点完成系统整体架构设计和可配置层级硬件加速器结构设计。2.针对高清图像分辨率高、对小目标识别定位困难的特点,通过原理分析和实验评估选取了网络尺度可伸缩的深度学习检测算法类型作为部署对象,相比传统的基于图像分割的检测算法和其他深度学习检测算法类型,能够适应不同尺度的输入图像,进而可以有效提高对小目标的检测效果,并减小计算量。在完成检测算法基础框架选择的基础上,针对高清图像特点对算法进行了适应性改进,结合算法原理和嵌入式架构特点完成了软硬件设计任务分配。3.完成了算法中核心组件CBL（conv bn leakyrelu）的硬件加速器设计,合并了卷积层和BN层减少网络推理计算量,在硬件资源限制下设计了分区计算,并结合一定硬件优化方法如空间并行和时间流水等,缩短计算时延,完成了PL端CBL加速IP核的设计验证和封装调用,通过DMA调用实现片内外的数据交互,在PS端面向大型网络部署进行了内存复用和控制调度设计。4.在嵌入式平台ZYNQ-7100上完成了所部署检测算法的功能验证和性能评估,在功能方面,忽略不同平台对浮点数表示上的细微差别,通过硬件实现的算法检测结果同PC机保持一致,保证功能正确性。在性能方面,提升对小物体检测效果减小错检漏检,硬件加速器在低功耗5.474W下工作的峰值计算性能为38.534GOP/s,平均计算性能为24.448 GOP/s,相比图像分割算法在检测精度和计算推理性能上更具优势。