随着大数据时代的到来,基于深度学习的目标检测算法在检测精度和实时性上有着非常大的提升,并且在安防、智慧工地、自动驾驶汽车等方面起着重大的作用。但如今的目标检测算法有着模型储存大、计算资源高、量级参数的问题,难以在低计算资源和小储存容量的平台上实现,高实时性与高精度的轻量级算法模型仍然有待研究。因此,轻量级的目标检测算法是当今的一种研究方向。为了能够减小模型的尺寸和提升模型的速度,本文提出了采用轻量级网络MobileNetv2与YOLOv3进行融合得到一种全新的YOLOv3-MobileNetv2网络架构,在原本速度就很快的YOLOv3算法基础之上进行融合,改进之后网络的检测速度有着极大的提升,且训练出的模型尺寸得到了显著的缩小。同时,为了进一步提高YOLOv3-MobileNetv2的检测精度,本文提出了基于新的评估指标GIOU的方法改进其损失函数,模型的效果得到再次的提升。以下是本文的主要研究内容与工作:(1)本文首先阐述了采用人工特征的目标检测算法与采用深度学习的目标检测算法,接着讲解了卷积神经网络的各个组成结构,然后介绍了目标检测算法的基础知识与结构,最后对当今主流的一种快速目标检测算法YOLOv3进行研究,详细的分析它的算法原理与网络架构。(2)本文提出了一种全新的YOLOv3-MobileNetv2网络架构,通过将轻量级网络MobileNetv2与YOLOv3进行融合之后,极大的减少了模型的参数和计算成本。同时,网络采用金字塔一般的多尺度特征进行融合,对不同大小目标的检测效果有着显著的提升。本算法通过在两个公共目标检测数据集PASCAL VOC和MS COCO上进行训练,其实验结果表明改进后的网络将模型的大小从236MB缩减到37MB,缩小了 6.378倍,并且推理速度提升了 2倍之多。(3)本文进一步提出了采用基于GIOU的方法来改进网络的损失函数,使得模型在训练与推理时的检测评估标准保持一致性。将改进后的YOLOv3-MobileNetv2使用新的损失函数进行训练,其检测精度有着进一步的提升。本算法同样在数据集PASCAL VOC和MS COCO上进行训练,其实验结果验证了基于GIOU的改进思路可以有效的提升网络的检测精度。本文的创新之处在于提出了轻量级YOLOv3-MobileNetv2目标检测算法,通过轻量级网络提取特征图,并融合多尺度特征信息,改进后的网络速度得到了极大的提升,同时大大的缩小了模型的存储大小,然后采用GIOU改进其损失函数,最终改进的目标检测系统的性能得到了进一步的提升。