目标检测技术是对目标物体进行分类和定位的研究,它也是计算机视觉中最重要、最具挑战性的分支之一,成为了诸多领域的研究热点。近年来,基于深度学习的目标检测技术因其显著的优点而取得了重大的研究进展,出现了许多优秀的算法与文章,并广泛应用于视觉图像分析、智能监控、无人机、工业检测、生物医学仪器、自动驾驶等领域,具有十分重要的现实意义。目前,基于深度学习的目标检测算法由于网络结构复杂,计算量大,往往需要运行在具有强大计算能力的设备上。因此,在计算资源有限的情况下,目标检测算法难以集成到嵌入式系统中。移动机器人目标检测是用于机器人在运动过程中实时感知周围环境中的目标物体,并对目标物体进行分类和定位的一种技术,能够帮助移动机器人进行有效避障,以保证行车的安全。移动机器人的目标检测大多数采用传统的检测算法,需人工提取特征,存在泛化能力差、鲁棒性差、准确率低和召回率低等缺点,在复杂的场景中很难使用。基于深度学习的目标检测的精度远远超过了传统的目标检测方法,但是基于深度学习的移动机器人目标检测技术基本上将图像通过相机传输到高性能的计算机系统进行图像处理。由于移动机器人嵌入式平台计算能力有限,基于深度学习的目标检测模型不适合在嵌入式设备上运行,导致无法构建具有复杂人工智能系统的自主移动机器人。针对上述问题,本文提出了一种在移动机器人嵌入式平台上实现实时目标检测的改进算法,该算法能够实时感知周围环境以帮助移动机器人进行自主导航和自动避障。我们对目前最先进的目标检测算法进行了综合分析,并选择了Mobile Net-SSD网络框架作为解决方案。主要对Mobile Net-SSD进行了一系列改进措施,包括改进默认框的宽高比、将特征提取网络替换成Mobile Net V2和模型量化等措施,以适应特定的平台,并在基于Jeston TX2的嵌入式平台上实现了速度和精度的平衡。利用平均精度均值(m AP)和检测速度(FPS)进行了模型评估,实验结果表明,我们的目标检测算法在移动机器人嵌入式平台上达到了22.43FPS(包括所有步骤)的速度和69.83%m AP的检测精度,实现了实时检测移动机器人周围环境中目标物体的功能,对移动机器人的自主导航与自动避障具有重要意义。同时,该研究为基于深度学习的目标检测技术在移动机器人嵌入式平台中的应用奠定了基础,并解决了类似的技术方案问题。