在计算机视觉中,目标检测是最为基础重要的任务。它是无人驾驶、无人监控系统、文字识别等诸多计算机视觉应用方向的基础。当前以卷积神经网络架构为基础的目标检测算法由于良好的性能,是最为主流的目标检测算法方案。基于卷积神经网络的算法由于极大的复杂度需要大量的计算,因此在应用到嵌入式芯片等边缘设备端时往往会面临算力和功耗的挑战。同时,边缘设备端也面临着有限带宽的挑战,因此传统方法中还会采用压缩感知对图像数据进行压缩以减少传输带宽和功耗。但有限的算力、功耗和带宽一直是在移动式终端实现实时目标检测系统的最大限制。本文提出了一个一体化的图像压缩和目标检测的卷积神经网络,不仅进一步减少了图像压缩消耗的额外算力,并且相比于传统方法提高了图像压缩的质量。最后本文基于硬件实现了提出的算法,设计出一套高能效的边缘计算系统。本文的主要贡献有:(1)提出了一种压缩识别一体化深度学习方法。通过将压缩感知理论中的不相关性转换为本文提出的一种相关性度量,并将其转换为正则化项嵌入到神经网络第一层卷积层中,从而将压缩感知理论与卷积神经网络相结合,使神经网络同时具有了目标检测和对图像压缩编码的能力。(2)对一种经典目标检测卷积神经网络进行改进,提出新的压缩卷积神经网络(Compressive Convolutional Network,CCN)。CCN是一个拥有压缩感知能力的卷积神经网络,它优化并且再利用了第一层的卷积操作,使其同时进行可恢复的数据嵌入与图像压缩,而不是对目标检测与数据压缩进行分别的计算。最后,本文通过实验证明在效能上,CCN相比传统算法效率提升310%到500%;在目标检测性能上CCN几乎没有损失;在图像压缩编码性能上,CCN比传统的图像压缩感知方法要高3.0dB到5.2dB。(3)以提出的算法为基础实现了一个高能效系统,对使用边缘计算实现本文算法的可行性进行了验证。在嵌入式平台上实现了系统的原型,并最终在FPGA上实现硬件的前端设计,达到了20FPS实时检测的速率。通过对目标检测的精度、检验的速度和传输的压缩率等进行实验,验证了CCN作为一个高能效的卷积神经网络,在保证良好的目标检测性能下构建出一个大规模的实时目标检测系统的可行性。