目标检测是计算机视觉中一项基础技术,近年来图像分类在深度学习领域取得了很大的成功,因此基于深度学习的目标检测技术也飞速发展起来。但由于密集场景中同时存在小目标、遮挡重叠等问题,现阶段大多数目标检测算法的检测效果不佳。除此之外,为了在学术界数据集上取得到较好的检测精度,主流的目标检测算法网络具有复杂的结构,并具有巨大的参数量和计算量,同时推理速度较慢,因此不具有很好的应用价值。针对上述问题,本文研发了轻量化目标检测网络,并针对密集场景进行目标尺寸自适应算法研发。具有较高的工程应用价值。本文首先研发轻量化检测网络。通过轻量化检测网络的结构设计,给出了计算量及参数量较低、推理速度较快且平均精确率(mean Average Precision,mAP)较高的轻量化检测网络。而后对轻量化检测网络进行压缩及优化。研发了针对检测任务的剪枝算法,在精度降低很少的情况下降低了计算消耗,得到稀疏的轻量化检测网络;研发了基于稀疏轻量化检测网络的知识蒸馏算法,在不改变网络结构的同时对网络性能进行优化,提升了 mAP。最后针对密集场景进行算法研发,首先设计密集车辆数据集,并针对密集检测任务的特点提出前后处理算法,而后针对基线算法的特点及对已有损失函数的缺陷分析,研发了针对小目标的“目标尺寸自适应的损失函数(Adaptive Loss)”。实验结果表明,本文设计的压缩优化后的轻量化检测网络,与基线网络相比参数量减少了96%,计算量减少了 98%,在Telsa P4上推理帧率为76fps。压缩优化后的轻量化网络结合本文针对密集场景研发的目标尺寸自适应算法,在密集车辆数据集上达到了 85.1%的mAP和85.3%的召回率,相比基线检测网络分别提高了 6.6%与4.5%,达到了研发目标。