目标检测作为人工智能学科中与生活最为贴近的研究热点之一,在自动驾驶、人脸检测、智能监控、医疗及工业检测等场景都有着广泛的应用。随着深度学习的发展,目标检测任务在准确率越来越高的同时,神经网络模型也越来越复杂。本文通过对目标检测网络以及神经网络压缩算法的研究,以端到端目标检测网络为切入点,着手于知识蒸馏、模型剪枝及参数量化三个方向对目标检测网络的压缩问题进行了研究。希望给目标检测网络的压缩问题带来新的解决方案和思路。通过结合实验结果分析不同压缩算法及其组合对目标检测网络性能的影响,最终本文提出了一套完整的目标检测网络压缩方案,在显著压缩网络模型的同时,对模型的检测准确率影响不大,并在低功耗设备Jetson nano上进行了实验验证。具体而言,本文进行了如下工作:1.提出了一种针对目标检测网络的知识蒸馏方法。通过结合目标检测网络的结构特点,对骨干网络采取基于FSP的知识蒸馏,然后使用L2损失约束特征增强部分,最后对检测头部采用传统知识蒸馏方法三部分作为整体的知识蒸馏方法。2.提出了一种新的通道剪枝算法。并通过对比实验说明该方法相对于其他剪枝算法的优势。本文通过在图像识别和目标检测两个任务上对相同神经网络采用不同剪枝方式进行裁剪,实验结果证明了所提出算法的有效性。3.提出了一套完整的目标检测网络压缩方案。首先是将骨干网络中的重复结构进行删减。接下来采用本文提出的知识蒸馏方案让上一步中的网络学习原来骨干网络中的知识。第三步采用本文设计的通道剪枝算法对网络进行迭代剪枝处理。最后采用训练后动态量化进一步压缩目标检测网络模型大小,至此完成了本文提出的目标检测网络压缩流程。通过对比实验说明了该方法的优势。4.在低功耗设备Jetson nano上实现人脸检测网络压缩。通过在Jetson nano平台搭建完整的实验环境,对当前最佳的人脸检测网络Retina Face完成了压缩,验证了本文所提出的目标检测网络压缩方案的有效性。