无人驾驶技术中需要通过摄像头获取周围的环境,而机器视觉就是使用视觉产品感知周边环境的手段。机器视觉将摄取的目标转换为图片信号,传送给处理器进行图像处理,从而得到目标的具体信息。在机器视觉中,目标检测是一类基础算法,其目标是从图像信息中获取物体的位置与分类信息。在实际目标检测过程中,无人驾驶中车辆控制必须反应迅速、正确,而且行驶中的车辆是移动平台,这两个事实分别对图像处理提出了快速准确以及用于处理的机器低功耗的要求。时至今日,目标检测的传统机器学习算法已经逐渐被神经网络算法替代,SSDResNet目标检测网络作为时下顶尖的目标检测算法之一,在运行速度和准确度上都有良好的表现,本文将分析该网路,并考虑如何将其进行改进以适配低功耗运算器件。而在低功耗运算机器中移植神经网络时,受到存储、运算性能等限制,必须对神经网络进行压缩,同时兼顾网络性能。为了解决压缩SSD-ResNet网络并兼顾其性能的需求,本文进行了以下研究:首先对目标检测神经网络进行了对比、分析。获得SSD算法的主要思想与主体网络替换方法。结合ResNet网络的结构,组合出SSD-ResNet网络。通过运算量统计,确定压缩SSD-ResNet的主要工作为对卷积层的压缩。并采用mAP作为SSDResNet性能的评估标准。其次对神经网络压缩算法进行相关研究。对比了三类神经网络压缩方法,最终确定使用量化方法对SSD-ResNet网络进行压缩。对比了量化策略,确定使用动态定点数量化网络卷积层中的数值,并对该策略中的数值进行了详细分析。然后根据量化策略设计了单层量化流程,根据单层量化流程结合网络计算步骤提出了网络层重要性计算方式和以重要性为核心的混合位宽的神经网路量化方法。提出了一种逐层量化并调节神经网络的重训练方法。最后针对提出的方法结合Caffe深度学习框架进行了实验,通过整体网络的量化实验和重训练实验获得了混合位宽量化后的SSD-ResNet网络。该量化网络权值的压缩率达到18%,精度下降仅1.7%。