当前目标检测作为计算机视觉的基础性任务受到了广泛的关注。伴随着现代计算机计算能力的提升,目标检测的方法也从传统的手工特征输入向采用深度神经网络进行特征提取的方法过渡。同时无人机在各个行业的应用逐步深入,基于无人机的目标检测领域成为了当下研究的一个重要方向。无人机的目标检测系统有其独特应用场景需求,其中主要体现在硬件系统和算法支持两个方面。由于无人机本身的体积重量和能耗的限制,因此对基于无人机的目标检测系统存在严格的资源和功耗的要求。无人机的应用场景一般都有较高的实时性指标,这对机载目标检测系统的算法复杂度和计算速度上都提出了挑战。综合以上的问题,本文提出一种基于无人机的轻量化目标检测系统,在实现高实时性的同时减少资源的消耗。本文采取专用的高清晰度多媒体接口（High-Definition Multimedia Interface,HDMI）进行视频或图像数据的输入和输出,并采用专门设计的深度神经网络处理器加速对图像的特征提取的计算过程。系统的目标检测算法是基于Siamese的目标匹配网络算法,通过计算模板图像与待检测图像的相似度从而实现目标的定位和检测。其中神经网络处理器采用了类似传输触发结构（Transport Triggered Architecture,TTA）的处理器体系架构,该架构基于控制数据传输的简洁指令及规则的二维阵列并行计算结构,可以非常便捷的实现定制化应用电路及简单易用的高级编译器设计,通过二维的执行单元阵列与存储资源的紧耦合连接实现特征图卷积加速过程的高带宽计算,且系统电路和应用程序设计高效、简单,使之能够方便地应用于诸如无人机目标检测等嵌入式应用领域。系统在Xilinx公司Kintex7系列FPGA芯片上使用Verilog HDL进行电路设计。通过使用物理层视频编解码芯片Si I9013和Si I9134实现了完整的视频数据采集,卷积特征提取计算,预测框坐标计算和视频驱动输出的流程,并对无人机拍摄的视频进行了实际的测试验证。系统将由无人机航拍的1080P的视频图像进行下采样至256×256的灰度图像后通过深度神经网络处理器进行目标预测框的计算,对目标舰船的检测准确率最高为84%,系统对单帧图像的检测速度为3.4ms,理论上可以实现每秒294帧的检测速度,系统存储资源仅使用2.3MB左右的FPGA片内存储资源,系统板的总功耗约为4.8W基本满足无人机舰船目标检测的资源和功耗要求,对于在体积重量和资源有严格要求的目标检测工程应用场景有一定的借鉴意义。