近年来,随着卡通动漫产业的蓬勃发展,有关卡通类的视频呈现了爆炸式的增加。对卡通类视频智能化理解的首要步骤就是对视频中动漫角色的身份信息正确识别,如何正确识别这些动漫角色是计算机辅助建模、摄影、自动剪辑、广告推荐等众多视觉应用不可或缺的前提条件。因此在卡通动画场景中,如何智能化的实现动漫角色的检测是当下一个亟待解决的问题。深度学习在图像分类领域取得了很大的成果,有效地提高了图像检测和识别的精度,以及深度学习具有自主学习能力,检测和识别精度高,鲁棒性强,使得很多应用变成可能。由于YOLOv3检测模型在检测领域中的检测目标的速度拥有很大的优势,所以选择YOLOv3目标检测算法作为卡通动漫场景下检测动漫角色的基础模型。本文主要从网络的颈部和网络的骨干结构这两个方面对基础模型进行改进,来提高YOLOv3目标检测算法对卡通动漫角色的检测准确率（AP）。本文所研究的内容主要概括为以下几点:（1）为了更好地重利用卡通角色的特征,本文在YOLOv3的特征提取网络darknet-53的基础上引入Dense block。相较于YOLOv3的残差模块在提取特征时会漏掉一些浅层网络的关键信息,通过加入一个Dense block,可以更有效地利用提取的特征,特别是对于那些来自较浅层的特征,以此来提高主干网络对图像中特征的提取能力。实验结果表明,加入Dense block后模型的检测准确性相比于没有加入时提升了约1.82%的AP。（2）由于YOLOv3目标检测算法采用的Darknet53网络提取图像的特征时,它只会去处理锚框内的特征和感受野,在检测角度变化很大的卡通头像时,不十分的友好,为了解决YOLOv3这种局限问题,本文在骨干网络提取特征后,引入一种高效的特征融合手段基于双向采样的特征融合金字塔Bi FPN,Bi FPN模块在融合特征的同时,还可以精炼锚框中的感受野让感受野更加灵活以及增强图像的语义信息,同时设计新的anchor匹配规则获取更多的锚框。实验结果表明,引入Bi FPN模块后模型的检测准确性相比于没有引入时提升了约0.91%的AP。本文通过以上几点措施,能够对卡通头像的检测效果带来一定的提升,提高卡通头像检测系统的可用性,具备一定的理论和实用价值。