随着计算机视觉技术以及人工智能的发展，近几年图像的目标检测取得了巨大进展，得到了工业界和学术界的广泛关注。图像的目标检测需要检测并且识别出指定目标的物体，也是视频目标检测主要技术之一。随着智能视频处理技术的发展，对视频序列进行目标检测逐渐进入人们的视野中，并且在实际的监控领域中成为其它技术的基础。如何有效的提高视频序列中目标检测的性能具有非常重要的研究价值。针对这一问题，本文从目标检测中图像分类的准确性和视频序列中帧间的相关性两个方面，研究视频序列中目标检测关键技术及其应用。本文主要包含以下两方面的研究内容：
　　(1)图像分类是图像目标检测的核心任务之一，本文提出了一种基于多特征聚合网络的图像分类算法。利用拓扑网络结构提取特征信息，然后，对提取的特征信息进行聚合分析，在不增加网络深度的情况下提高分类性能。其中，聚合分析是基于反馈调整学习率提出的一种拓扑网络框架，网络由多个拓扑节点组成，每个节点由基本的网络结构组成。在训练过程中，为节点分配不同的学习速率，在每个新训练时段的开始进行调整，首先基于训练准确度的反馈从当前学习率集合中选择最优学习率种子。然后由学习率种子生成新的学习率集合并用于训练拓扑网络。
　　(2)为提高视频序列检测精度，本文利用视频序列帧间相关性，估计运动目标的运动向量，提出了一种基于光流特征融合的视频目标检测方法。首先将视频帧进行分组计算光流特征，使得组内所有视频帧共享相同光流特征图；然后，利用每组中共享的光流特征与组内原始视频帧分别运算，使得所有帧中运动的目标所在处呈现高响应；最后将含有高响应区域的视频序列通过检测网络。实验结果表明该方法不仅仅提高视频序列检测的准确率，而且在一定程度上提高了目标检测网络的场景迁移性能。
　　本文提出了基于神经网络的多特征融合视频目标检测算法。该算法从目标图像分类和视频帧间信息两方面改进，有效的提高了视频目标检测性能，并且在实际中有一定的应用价值。