目前,指针式压力表无论是在工农业生产、生活和交通运输等多个领域中都被广泛的使用,压力信息的采集、监控和记录对于生产和生活具有非常重要的意义。因此,自动识别指针式压力表读数的任务也成为智慧水务系统中的研究热点和重点。如今,随着深度学习技术的快速发展和单片机芯片的广泛应用,边缘端上的人工智能应用正变得越来越多样化。然而,由于单片机的设计结构和性能限制,与个人主机相比,其存在一定的局限性。如果通过将已训练好的深度学习模型移植到单片机上,就可以实现各种应用场景的智能化,从而提高生产效率和降低人力成本。本文针对SSD目标检测算法,在确保对水务数据（压力表表盘目标）识别精度的基础上,分别从模型的轻量化和提升识别精准度两方面依次开展目标检测模型算法研究,主要研究内容如下:（1）目标检测网络轻量化:首先,本文设计了一种基于SSD改进的压力表表盘目标检测模型SSD-Light,根据感受野大小设计轻量级主干网络结构并制作标注了数据集,将原版SSD多层多尺度检测任务转换为了单尺度检测任务,大幅度减少原网络模型主干网络和检测层的层数。然后,本文又引入了深度可分离卷积核替换了原网络中普通卷积核,进一步的轻量化该模型。该模型通过数据集上的试验结果表明,模型在保证对目标有效识别的前提下,模型参数个数仅为原版SSD网络的0.1%,模型容量大小仅为原版SSD网络的0.2%,大幅度的缩减了模型容量。（2）提升轻量化以后模型的检测精度:上述轻量化技术可能会导致模型在处理图像数据时表现不佳,针对该问题,进一步提出了融合注意力机制的轻量化目标检测模型,来提升模型对目标的之别准确率和精确率。该模型能够保持与原版SSD只相差5%m AP,保证模型的检测精度。