随着计算机深度学习技术的不断发展更新,及当前硬件应用技术的高速更迭,其热门应用目标检测技术无论从商业角度还是社会角度都体现出了极高的价值,该技术在智能机器人、无人驾驶系统、智能监控等领域的应用都成为了时代发展的热点话题。本文针对当前应用广泛的目标检测网络Faster R-CNN提出了改进的深度学习算法进行优化,其中主要工作如下:首先针对物体未被检测及分类错误的现象,本文引入了结构推理网络。该网络主要通过在物体检测过程中采用图结构的方式同时建模物体细节特征、场景上下文以及物体之间关系,采用门控循环单元的消息传递机制对图像中物体的类别和位置进行联合推理,从而对选框检测分类产生影响。同时辅以softNMS算法加以缓解重叠造成的漏检及误检现象。该算法通过候选框与得分最高框比对,交并比（IOU）超过阈值的选框适当削弱置信度而并非选择直接归零以进行优化。通过实验证明结构推理网络优化后mAP值有明显提升,分类及标框效果均有提高。针对当前实验效果中小物体难以被识别检测的现象,采用了 SSD网络中多尺寸特征图提取的思路进行缓解。将VGG16网络处理后的深层特征图及浅层特征图进行融合后采用锚窗处理,利用在浅层特征图中使用同样尺度大小的选框易标框出小物体优势,从而达成对小物体的识别准确率的提高。实验证明改进后的网络mAP值进一步提升,并从定性可视化角度分析改进后的网络对于图片中小物体的检测效果有所提升。最后针对Faster R-CNN训练过程耗时较长的问题进行深入研究。以提高推理速度为目的,本文在前期的特征图提取阶段引入深度可分离卷积,该方法主要通过将卷积层压缩进行先空间信息处理后通道信息处理的过程,从而减少参数提高了获取特征图的速度。通过实验结果表明在该网络中运算速度随加入深度可分离卷积而有一定提高。最终从定性及定量的角度进行目标检测网络的横向实验效果对比,验证改进后网络的准确性及速度优化。