在“制造2025”环境影响下,发展高水平、高质量的制造业尤为重要。装配作为产品制造中重要一环,对制造业的发展影响重大。虽然工厂自动化装配程度越来越高,但是现阶段人工装配仍然是装配环节中不可或缺的组成部分,成为制约装配发展的主要因素。提高人工装配效率,对提高整体装配水平、促进制造业发展有着巨大的推动作用。本文提出一种基于轻量化目标检测网络的实时移动增强装配系统,创新性的将零件识别功能引入到增强装配系统中,以降低现场工人零件认知负担;其次结合增强装配功能,提供现场工人更易理解的虚实融合画面,进而提高人工装配效率。本文深入研究目标检测算法YOLOv3,提出一种改进的YOLOv3——Mobilenet-YOLOv3-Lite移动端实时零件识别模型。在本文采集的机械零件数据集上,Mobilenet-YOLOv3-Lite在推理精度上稍低于YOLOv3,却拥有比tiny-YOLOv3更快的推理速度。通过替换特征提取主干网络Darknet-53为Mobilenet、删减网络通道数、简化特征融合结构等模型轻量化策略极大降低网络参数量和计算量,提升网络推理速度。此外为了提高网络在机械零件数据集上的推理精度,本文采用k-means聚类算法（并使用k-means++算法初始化聚类中心）对零件数据集聚类分析,得到合适的先验框参数。实验结果表明,Mobilenet-YOLOv3-Lite网络计算量仅YOLOv3的3.69%,参数量仅有YOLOv3的4.32%,模型文件大小仅有YOLOv3的4.44%,虽然推理精度比YOLOv3略低6.87%,为91.26%,但是其在三星手机上推理速度约为10帧/秒,是YOLOv3的14.65倍、tiny-YOLOv3的1.57倍,满足实时要求。在单个零件、同类多个零件、不同类多个零件、小尺寸零件、多种背景、零件遮挡、暗光等条件均具有较高预测精度,具备强鲁棒性。增强现实装配方面,本文深入研究传统虚实遮挡处理方法,采用基于模型的虚实遮挡处理方法解决虚实遮挡问题,该方法通过对真实场景“虚拟假身”物理建模,获取真实场景深度图,并与虚拟场景深度图逐点对比,以此正确处理虚拟场景和真实场景遮挡关系。实验结果表明,该方法可在手机实时运行,速度可达30帧/秒;对比基于图像分析的虚实遮挡处理方法,其有效解决了增强装配过程中存在的虚实遮挡问题以及由于实时性差导致的虚实融合失真问题。最后,本文基于上述方法开发了一款移动增强装配应用Assembly AR,该应用采用增强现实眼镜Epson Moverio BT35E显示视频帧画面,辅以手机为计算平台,操作者可直接佩戴使用,无需手持设备,具备移动性高、操作便捷等优点。以减速器装配引导过程为例,该系统能够实时平稳运行,有利于辅助操作者完成装配工作。