基于深度学习的目标检测是计算机视觉领域的重要分支,是实例分割、场景理解和认知等任务的基础,应用场景涉及自动驾驶、人脸识别、智能安防等。近年来,得益于图像处理器等硬件设备算力的提升,许多性能优越且结构复杂的目标检测网络模型相继被提出,虽然检测精度不断提高,但存在检测速度慢、网络模型大的问题,难以在资源受限设备上的部署和应用,且不适合实时性要求较高的任务。本文针对此问题,以轻量化卷积网络结构为基础,提出基于注意力机制的轻量化目标检测模型,实现了检测精度与速度的平衡。针对分层检测中小目标较难检测的问题,提出轻量级多感受野模块,在对检测速度影响较小的情况下,提高了小目标及整体的检测性能。本文主要研究内容如下:（1）提出了基于注意力机制的轻量化目标检测模型。首先,以FCOS模型为基础,从参数量、计算量、准确率、速度延迟等方面对比分析了目前的轻量级卷积神经网络,选择了Mobile Net V2、Efficient Net-Lite2分别作为高效率和高性能版本目标检测模型的主干网络。接着,在特征信息传递中添加了注意力机制,构建了注意力特征金字塔模块,作为检测模型的颈部结构,实现良好的特征选择,突出任务所需信息,在一定程度上弥补了轻量级主干网络带来的性能损失。最后,在目标检测模型训练过程中采用了自适应训练样本选择和广义焦点损失进行增强,进一步提升了模型检测性能。在标准数据集上,本文提出的基于注意力机制的轻量化目标检测模型相对于其他轻量级网络模型,实现了较高的检测精度和速度,甚至可以媲美重量级目标检测模型。（2）提出了轻量级多感受野模块。从感受野角度出发,在此模块设计中引入空洞卷积和串行级联的残差结构,获取了多重感受野,增加了小目标周围场景信息。并且采用了深度可分离卷积实现此模块,降低了参数量,使其能够无负担地添加到网络模型中。最后,将此模块嵌入检测模型的浅层特征图之后,并在两个标准数据集上分别实验测试,结果证明了本文提出的轻量级多感受野模块能够提升小目标及整体的检测精度。