目标检测作为计算机视觉领域的一个重要的研究方向,旨在利用计算机能够快速,准确地从自然场景中定位并识别出人们关注的物体。近年来在自动驾驶、机器人、无人机、医疗成像等领域都得到了广泛的应用。然而,在目标检测的通用性上仍存在着多种挑战,如尺度变化、图像质量、计算约束等,这些都将使目标检测器难以实现速度与精度的平衡。为了解决这些挑战,本文的主要工作如下:（1）本文围绕单阶段无锚（anchor-free）检测器FCOS进行分析,在特征提取,特征融合和训练策略阶段分别设计改进措施,提出了单阶段的无锚目标检测方法Ref ine-FCOS。在MS COCO数据集上,将主流目标检测算法与本文算法的检测性能进行比较。然后进行各项对比实验,验证本文框架中每部分算法的有效性,实验结果证明本文提出的目标检测算法兼顾速度与精度。（2）为了减少目标检测模型中的参数量和计算量,满足实时性的需求。引入稀疏训练和通道裁剪的技术,有效去除了网络中的冗余参数。为保证精度,使用剪枝前的网络作为教师模型,加入自适应层调整检测模型的差异,并在特征图层面上设计和计算损失函数,成功将知识蒸馏引入到目标检测模型的训练中,得到轻量级模型Refine-FCOS-s,之后进行对比实验,证明了方法的有效性。（3）本文设计了一个以目标检测模块为核心的道路交通标志识别系统,通过从摄像头中实时捕获图像,在系统搭建中,将验证有效的轻量化模型应用于检测模块,最后通过测试验证了本文设计的标志识别系统的准确性、有效性和实用性。