近年来,目标检测在智能安防、智慧城市、智能工厂、智能汽车等多个领域应用广泛。由于目标检测的核心技术是深度学习,所以目前大多数的目标检测模型部署在服务器端,但这种方式存在两个弊端:一是随着部署的需求量骤增,大量配置高性能服务器在经济上会造成巨大压力;二是摄像机等边缘设备采集的待检测数据需要经过网络传输才能到达服务器,当数据量非常庞大时会影响到检测的时效性。随着边缘设备的日渐流行,其小体积、高性价比、低功耗等优点,促使边缘设备成为目标检测模型的运行环境的新选择。Faster RCNN、SSD、YOLO等优秀的目标检测算法能达到很好的检测精度,但由于计算量较大,在边缘计算设备等性能较差的运行环境下检测速度通常无法达到工业应用的高水准。迁移学习、网络裁剪、微调等模型优化技术目前已经发展成熟[1][2],可以借鉴它们以便优化模型并提高模型在边缘设备上的性能。在此背景下,本文的目标是提出一种面向边缘计算环境的轻量级目标检测模型的优化思路,并以某特定的应用场景为实例,通过完成下列工作和研究来验证思路的正确性。（1）提出一种适合在边缘环境上运行目标检测的紧凑型软件环境。针对边缘设备的有限资源条件,在主流的深度学习框架和目标检测模型中筛选并构建了适合边缘设备的软件环境。（2）提出一种基于迁移学习的面向通用目标检测模型的模型裁剪方法。主要思想是分析实际应用场景中待检测物体的分类,通过迁移学习的方法将通用的目标检测模型中的不相关分类的神经元剔除。该方法能够在水平方向上缩小模型,在维持检测精度不降低的前提下显著提升检测速度。（3）提出一种针对检测不同尺度的层的裁剪方法。主要思想是分析实际应用场景中待检测物体的大小尺度,对于网络中检测不同尺度的层进行调查,剔除其他过大或过小尺度的检测层。该方法能进一步在垂直方向上缩小模型,提升检测速度。（4）针对用上述方法裁剪过的目标检测模型,数据集也做出相应地调整优化。标准数据集中与当前实际应用场景相匹配的数据太少,所以主要通过两个方法增加当前应用场景的数据,以便在模型重训练时能迅速收敛。一是调整优化标准数据集,将标准数据集中与当前目标检测应用场景匹配的图像数据挑选出来,再用数据增强的方法来增加数据量;二是定制数据集,直接在实际应用场景下采集数据,再同样用数据增强的方法增加数据量。本文的实验中,以NVIDIA Jetson TX2开发板（8GB）作为边缘计算设备的代表,从模型文件大小、检测精度和检测速度等三个方面选定SSD300（VGG16）作为轻量级目标检测模型,一方面因为Faster RCNN等高精度模型因为边缘设备的内存不足而无法运行,另一方面与SSD（Mobilenet）轻量级目标检测模型相比,检测精度与速度的权衡下SSD（VGG16）更优秀;通过上述的迁移学习裁剪方法和层裁剪方法,将SSD模型裁剪成只检测“person（人）”分类并且还裁剪掉检测大尺度目标的conv7＿2、conv8＿2和conv9＿2层,优化后的模型的检测速度达到了约2.42FPS（0.413秒/帧）,与原始模型的检测速度约1.56FPS（0.64秒/帧）相比加速了约55%;通过使用优化后的标准数据集MSCOCO2014-Human和自制数据集训练得到的模型,在实际应用场景下其检测精度达到了90%,比原始模型的70%精准度提升了约20%。实验结果证明本文提出的面向边缘计算环境的轻量级目标检测模型技术具有显著成效。