目标检测是计算机视觉领域的重点任务,面向无人机的嵌入式系统的目标检测是计算机视觉技术在实际工程中应用的重要场景。该场景下面临的小目标检测、嵌入式设备部署的问题,对实际应用造成了很大挑战。因此,如何设计一个能够更加精准的检测无人机数据集中的小目标,同时便于在计算能力偏弱、内存空间紧张的嵌入式设备上部署的模型,成为了人们研究的热点。为了解决面向无人机的嵌入式系统的目标检测任务,本文提出了一个针对小目标检测的轻量化模型,并对模型进行了压缩,使之能够对无人机数据集有很好的检测效果,同时又能很好的在嵌入式系统上部署。具体内容如下:针对主干网络计算量大、学习能力弱的问题,本文提出了一种跨阶段部分残差模块。残差结构能够解决梯度消失的问题,跨阶段部分连接结构能够减少网络的计算量、提高网络的学习能力。将该模块作为主干网络能够加快网络的推理速度,提高检测的精度。针对小目标检测效果差的问题,本文提出了一种多尺度路径聚合模块。该模块通过多个不同尺度的特征图进行预测,同时能够将深层特征图的语义信息融入到浅层特征图中,将浅层特征图的定位信息融入到深层特征图中。充分利用神经网络各层特征图的细节信息,丰富网络的多尺度特征,提高对小目标的检测精度。为了解决嵌入式系统的计算能力偏弱、磁盘和内存空间紧张的问题,本文提出了一种基于通道剪枝和知识蒸馏的模型压缩方法。其中通道剪枝能够剔除掉权重占比很低、对模型精度几乎没有影响的通道,有效减少模型的参数量,进而压缩模型的体积。知识蒸馏作为一种指导训练的策略,将剪枝之前的模型作为教师网络,指导训练剪枝后的学生网络,能够有很好的效果。