随着智能手机等移动设备的快速发展,基于移动终端的增强现实技术已成为当前增强现实领域的热点研究问题,三维平面检测作为其关键技术受到广泛关注。由于移动端计算性能有限,其平面检测多采用纹理特征匹配得到,但是无法检测弱纹理的平面,而利用深度学习检测平面本身具有一定的挑战性。因此,本文面向移动端的三维平面检测算法展开了研究,选择了基于U-Net网络实现三维平面检测,并对其网络进行了轻量化设计。之后完成了电脑端到移动端的迁移与量化,并对其进行硬件加速。本文还利用移动端惯性测量单元(Inertial Measurement Unit,IMU)辅助视觉实现了移动端的实时三维平面检测。主要贡献如下:(1)在分析代表性的三维平面检测网络的基础上,提出了一种基于轻量化U-Net网络的三维平面检测方法。通过分析现有三维平面检测网络,选择基于U-Net网络实现三维平面检测。由于移动端计算性能有限,且深度学习网络模型存在冗余,运算速度低。为了优化网络结构,提升计算效率,提出了三维平面检测网络的轻量化方法,包括修改模型卷积方式,减少特征图分辨率和网络通道数等方法。通过实验验证了该网络可以降低网络冗余节点,减少参数量和计算量,提升检测速率。(2)借助Android移动端深度学习框架,设计了三维平面检测网络从电脑端到移动端的模型迁移、量化,以及硬件加速方案。在实现网络轻量化之后需要对模型进行迁移,使其可以在移动端加载调用。为了更高效的检测平面,本文使用量化工具对模型进行了INT8量化,减少了模型参数量,降低了模型体积大小。另外本文还使用移动端硬件加速引擎,包括神经网络应用程序接口(Neural Networks Application Programming Interface,NNAPI)和Hexagon完成了模型加速。实验验证了本文方案可以较好的提升检测速率。(3)针对移动端配置多种传感器的特点,提出了一种IMU辅助视觉的实时三维平面检测方法。由于三维平面检测深度网络的计算速度难以满足移动增强现实应用的实时性要求,因此本文利用移动端IMU数据辅助深度学习网络完成了实时三维平面检测。该方法通过融合IMU数据估算相机在空间中的增量运动,确定相机在时间和空间中的轨迹,辅助基于视觉的三维平面检测。