目标检测是计算机视觉领域的重要研究方向之一,集定位、识别、分类任务于一体,广泛地应用于诸如智能监控、人机交互等多个领域。其中,基于深度学习的目标检测模型利用深度神经网络(Deep Neural Network,DNN)提取目标特征,借助区域候选框算法将目标特征提取和目标分类任务同步进行,大幅度提升了检测精度以及准确度。在这类模型中,生成对抗网络(Generative Adversarial Network,GAN)是一种捕获潜在数据分布的独特网络结构,基于博弈理论构造的真假对抗误差设计使得可以应对不同类型的任务,近些年在图像翻译、图像生成以及自然语言处理领域得到非常广泛的应用。在这样的基础上,论文对主流深度学习目标检测模型以及生成对抗网络模型进行了深度研究。论文首先介绍了目标检测模型和生成对抗网络两者的研究背景和意义,然后分析主流深度学习目标检测模型原理,以及区域目标检测模型(Region Convoltional Neural Network,RCNN)、快速区域目标检测模型(Fast Region Convoltional Neural Network,RCNN)和单帧目标检测模型(Single Shot Detectior,SSD)等目标检测模型以及瓶颈问题,再结合生成对抗思想改进目标检测模型。本文主要工作和创新有:(1)针对生成对抗网络图像映射模型在三通道(RGB)图像到二值化图像映射中无法有效分割目标的缺点,提出了多尺度误差和网络结构优化图像映射模型进行三通道(RGB)图像到目标二值化图像的映射翻译,从而实现了一种基于生成对抗网络的感兴趣生成模型,分割图像中更多的可识别感兴趣区域目标结构。(2)针对SSD类目标检测模型检测精度局限于数据集的大小问题,提出了结合感兴趣生成的生成对抗网络模型与DSSD目标检测模型。通过分离图像感兴趣区域,并对数据集数据进行目标部分的数据增强。实现在原有目标检测模型基础上不增加原有算法的复杂度基础上,通过端对端训练的方式提高了目标检测精度的目标。目标检测模型在PASCALVOC数据下训练得到,作为输入情况在321x321的图片尺度下,在VOC2007-test数据集测试达到78.7%mAP,在 VOC2012-test 数据集上达到了 76.6%mAP。