目标检测是计算机视觉领域的一项重要任务,指的是从图像或视频中检测并提取出指定目标的技术,被广泛应用于自动驾驶、交通大数据、智能安防和工业检测等方面。目前,基于深度学习的目标检测技术的相关研究已经取得了一定的成果,但仍然存在着一些问题和挑战,其中一个重要挑战就是网络的轻量化问题。深度目标检测框架在设计时往往以精度为优先原则,追求对多类目标的高精度检测,从而导致网络体积庞大,在边缘计算平台下部署时较为困难。而一些体积较小的网络却存在着识别精度低的问题。在人脸识别、文本检测等多数目标检测模型的应用场景中,需要检测的目标类目较少,对于实时计算性能的要求较高。因此,在平衡网络精度的同时压缩网络体积,设计出具有通用性的轻量化目标检测网络,对深度目标检测技术的应用落地具有重要意义。针对上述问题,本文的主要研究内容包括:1.针对当前目标检测网络参数量和网络体积大,无法在边缘计算平台下部署的问题,提出了基于YOLOv5改进的轻量化网络（YOLOv5-Lightweight,YOLOv5-lw）。该网络重新设计了用于特征提取的主干部分,新的主干结构由Ghost Bottleneck组合而成,并通过非对称卷积与深度可分离卷积等轻量化技术压缩网络的体积。实验结果表明,改进后的网络参数量和体积有了显著的下降,在PASCAL VOC数据集上的检测速度相较于当前主流的目标检测网络有了明显提高,而精度损失较小。2.针对在网络中引入轻量化技术带来的精度损失问题,提出改进的融合了注意力机制和优化特征融合模块的轻量化目标检测网络（YOLOv5-Lightweight-Attention,YO LOv5-lwa）,通过在YOLOv5-lw的主干部分加入通道注意力模块,并将网络中的特征融合模块替换为注意力特征融合模块（Feature Fusion Module,FFM）以提高网络对图像信息的学习能力和不同层级信息的融合能力。在PASCAL VOC数据集上的实验结果表明,YOLOv5-lwa在保持小体积的同时相较于YOLOv5-lw网络精度有了一定的提升。3.在提出轻量化目标检测网络YOLOv5-lwa后,进一步将该网络在智能驾驶领域进行实际应用。针对当前中文路标文本检测与识别相关算法精度低,无法进行实时计算的问题,基于YOLOv5-lwa进行改进,提出一种轻量化中文指路标志文本检测与识别算法。该算法使用YOLOv5-lwa网络检测指路标志图像中的文本区域,设计了基于投影直方图的文字分割算法对文本区域进行分割,最后使用轻量化分类网络对文字进行分类识别。在TS-Detect指路标志数据集上的对比实验结果表明,该算法能够实时识别复杂拍摄条件下的指路标志牌中的文本,并具有较高精度。