目标检测是计算机视觉中一项基础且重要的研究方向,简单高效的目标检测算法能够大幅度提升目标识别的精度和效率,但目前的算法在兼顾适用性和准确性上遇到了一些问题:比如基于锚点的目标检测算法中含有大量手工设计参数,使整体检测效率降低且无法完成特定任务;候选区域的固定输入造成图像失真;作为其他类似图像分割等高级计算机视觉任务的基础处理,复杂目标检测算法难以与别的任务进行融合,导致使用范围较局限。针对以上问题,论文的主要工作如下:首先,针对通用目标检测模型的相关算法进行了分析,探讨了候选区域在各类检测模型上的生成原理,鉴于候选区域的重要性以及本文所提算法的核心思路,从目标检测整体设计流程考虑,采用深度学习方式生成候选区域,来解决人工干预的影响以及总体检测效果不理想的问题。其次,针对候选区域在目标检测算法中的作用,以及锚点参数的设置对目标检测模型带来的影响,提出动态提取形状特征的分布式预测锚点算法。先由目标中心点区域确定锚点可能存在的位置,再依据目标特征动态生成锚点形状,通过这两步得出锚点,保证了候选区域将依据真实目标的图像范围产生,避免了人为干涉的影响。另外,针对基于锚点的目标检测算法中存在特征丢失不一致性,提出特征自适应模块,依据锚点形状重构特征图,使用可变形卷积技术使新特征图的生成基于目标特征,保证了目标特征在传递过程中的一致性。通过以上处理过程,可产生高质量的候选区域,也大幅度提升了目标检测的整体性能,同时便于集成到基于锚点的目标检测算法中。另外,针对基于候选区域的目标检测模型扩充到图像实例分割任务导致模型计算复杂度较高的问题,提出基于候选区域优化的实例分割算法,以目标位置和形状特征动态生成分割边界点,按照极坐标的形式将边界点依次连接得到分割区域,通过共享卷积层生成图像类别。整体算法消除了关于候选区域的二次计算,并且以极坐标建模降低了计算复杂度,使算法更具有通用性。最后,在MS COCO和PASCAL VOC数据集上验证所提目标检测模型和实例分割模型的可行性。与常规候选区域算法以及不同目标检测模型进行对比分析,实验结果表明论文所提算法能够大幅度提升目标检测精度。与不同实例分割模型进行对比分析,实验表明能够准确清晰分割物体轮廓,产生具有竞争性的分割结果。