目标检测是当下计算机视觉任务中非常重要的一个研究方向,即在输入图片上框出目标物的位置,同时判断框内物体的所属类别。目标检测这一视觉任务在当下深度卷积神经网络的应用下得到了快速的发展。尽管该领域不断涌现出新的算法,以及更加有效的提取特征网络,但是在该检测领域仍然有着很大挑战,这就意味着在目标检测这一视觉任务上还有很大的提升空间。本文详细地介绍了深度学习下的目标检测算法原理,并系统地讲述了一些常用的检测算法。最后围绕基于两阶段的目标检测算法进行阐述分析和改进,对检测算法进行改进优化,来提升最终的检测率。本文主要内容有以下三点:(1)对深度学习下目标检测算法相关知识的总结对比和归纳。对当下深度卷积内部各个模块(卷积层,全连接层,池化层)以及常用的激活函数进行介绍和对比分析。同时对深度学习下经典的网络结构进行详细讲述和剖析。最后讲述了检测领域内两类检测方案:1基于区域提名的两阶段检测方案;2基于回归的一阶段检测方案。(2)提出基于RPN结构的多层特征融合目标检测算法。现有深度学习目标检测算法往往只利用了CNN网络提取的深层特征进行判别,对浅层特征利用不足。为了利用浅层的特征信息,来提高最终所提取的特征层信息的丰富度,本文提出了一种基于RPN结构的多层特征融合目标检测算法,该算法通过深度卷积网络获取不同层次的特征,并将浅层特征与深层次特征进行融合来获得更加丰富的提取特征,以提升检测模型的性能。(3)提出基于改进VGG特征提取网络下的人体目标检测算法。该算法以实际场景中的人体为目标进行训练检测,对VGG的网络框架进行改进。在VGG提取特征网络的基础上,对第一个卷积层添加1*1的卷积和最大池化层,来改变特征维度和通道数,以便与后面每一层的特征维度相匹配,进行特征融合。在自己制作的数据集上进行人体目标的训练检测,最终的检测效果比未经改动的两阶段的VGG检测网络效果好。最终的检测效果表明改进后的检测算法可以更好地进行人体目标的检测。