目前,在工业装配领域中,工人的主要装配指导方式还是基于查阅纸质手册的方式来进行装配过程的指导,这类指导方式通常面临装配效率低,对装配人员的经验要求较高等问题。而增强现实技术得益于其良好的体验与交互技术,其被广泛用于娱乐、教育以及工业等领域。但目前增强现实技术中所涉及的识别与检测算法通常都是基于图像纹理特征的检测算法,该类算法通常需要待检测物体具有较高的对比度和复杂的纹理图案,而对于特征较少纹理单一的工业零件对象来说,其通常识别效果并不理想,因此研究一种适用于增强现实应用的零件检测算法显得较为必要。在目标检测领域中,Faster R-CNN、SSD、YOLO等优秀的检测网络被广泛用于各领域中,但这类网络通常伴随着巨大的参数量,导致模型体积过大,同时在推理时对硬件的性能要求较高,不便于在资源受限的增强现实设备上进行部署。其次,由于目标检测网络的训练通常需要大量的数据集样本进行训练,在实际的工业生产过程中数据集的标注通常会带来较大的时间成本,因此数据标注问题成了亟待解决的问题。本文针对以上问题,做了如下几方面工作:（1）在轻量化网络模型构建方面,本文通过对YOLOv3中的骨干网络结构优化,来进行网络模型压缩,同时对原始的YOLOv3中的特征融合结构进行改进,以提高网络的检测精度。（2）在数据集制作方面,本文通过采用三维虚拟数据的方式来进行零件数据样本构建,很大程度降低了标注时间成本,同时可通过脚本控制检测零件的大小、位姿和光照条件等,具有较好的数据增强效果。本文优化后的YOLOv3目标检测网络,相比于原始的目标检测网络,在模型精度下降较少的同时,模型的参数量得到了很大程度压缩。本文所优化的网络模型大小只有4.3M,在检测精度方面,优化后的网络在本文的零件数据集上达到了97.57%的m AP。通过在移动设备上测试,本文所设计的零件检测网络对于单张图片检测速度达到了124ms。综上所述,本文中优化后的YOLOv3网络在模型大小和推理精度上满足实际功能需求,并且有利于在资源受限的设备上进行模型的部署,具有一定的实用性。