车道线检测在自动驾驶和高级辅助驾驶中起着举足轻重的作用，然而，传统的车道线检测技术鲁棒性较差，而大多数基于深度学习的方法复杂度又较高，难以在嵌入式平台实时应用。提出一种面向嵌入式平台的轻量级车道线检测网络，将车道线检测转化为语义分割问题，该网络借鉴U-Net与Segnet网络结构，使用了小尺度卷积等轻量化组件设计计算高效的语义分割网络。在检测车道线的基础上，计算车辆距离两侧车道线的距离，以及车道线的曲率，同时当车辆偏离车道线或检测出现异常时进行预警，最后将整个系统移植到海思平台。实验结果表明：该系统具有较高的检测精度以及检测速度，准确率达到97.5%，速度达到50 FPS，满足实时性要求，因此该系统能够用于面向嵌入式平台的实时车道线的检测、测距、曲率计算以及预警。

现有的指静脉分割网络大多需要消耗极大内存和计算资源，难以直接部署到嵌入式平台上，大部分模型轻量化方法存在参数减小导致分割性能急剧下降、算力受限和实时性等问题。针对上述问题，本文提出了一种超轻量级指静脉纹络实时分割网络—SGUnet。首先，使用沙漏状的深度可分离卷积极大地减少基础模型参数，并采用轻量级高效注意力模块实现无降维的局部跨通道交互，提升网络分割性能。其次，为了解决部分特征图存在冗余的问题，使用Cheap operation来替代部分“懈怠”的卷积核，得到相似的特征图。最后，采用特征信息交互的方法，打开分组卷积的组间通道，解决了分组特征组之间信息不流通的问题。与传统Unet分割网络相比，最终的SGUnet模型参数量约为传统Unet分割网络的1%，Mult-Adds约为0.5%。在两个公开的手指静脉数据集SDU-FV、MMCBNU-6000上验证网络性能，结果表明SGUnet网络在分割性能上不仅优于大型分割网络Unet、DU-Net、R2U-Net，而且超越了经典轻量级改进模型squeeze-Unet、Mobile-Unet、shuffle-Unet、Ghost-Unet。SGUnet网络Accuracy、Dice、AUC分别达到94.11%、0.538 4、0.935 4，并且在NVIDIA嵌入式平台上指静脉纹络提取的测试速度高达0.27秒/张。

为了解决复杂背景条件下，红外目标检测存在的准确率低、召回率低、以及网络模型在嵌入式计算平台上推理速度慢的问题，以轻量化网络YOLOv4-Tiny作为算法的基本架构，结合视觉注意力机制和空间金字塔池化思想，提出两种面向嵌入式系统的红外目标检测网络，利用迁移学习策略进行训练，在以昇腾310 AI芯片为核心的Atlas 200 DK嵌入式计算平台进行部署。实验结果表明，在该嵌入式计算平台上推理分辨率为640 pixel×512 pixel的红外图像，相较于原始网络YOLOv4-Tiny，所提网络YOLOv4-Tiny+SE+SPP的平均准确率和召回率分别提升12.36%和18.6%，推理速度达到78 fps；所提网络YOLOv4-Tiny+CBAM+SPP的平均准确率和召回率分别提升15.94%和22.89%，推理速度达到71 fps，可兼顾准确率和实时性，能够满足**和安防领域对红外目标进行实时检测和跟踪的需要。