随着大数据发展，数字图像处理理论成为当今计算机科学的主要部分之一。其中用于对象检测，分析计算机视觉的算法近几年来层出不穷。近几年来研究专家们一直试图教人工智能分析并理解图像上的内容并且运用到目标检测上。从目标检测上来说，首先需要捕捉图像然后分析出该图像关键信息进而让用户获取到相关信息。社交媒体上的图像为图像识别研究提供了丰富的信息来源。可靠商标检测则进一步分析图像中的物品品牌。
　　尽管目前一些基于深度学习对象检测方法，例如更快的回归卷积神经网络已经在对象检测中表现出良好的性能，但是对于商标检测精确度还是不够高。这是因为缺乏可以精确定位的特征图且小尺度物体的不敏感性以及区域候选网络RPN中的固定窗口特征提取能力影响了定位特征图的精确性。
　　本文通过评估特征来排序不同阶段的特征商标，对提取和分类过程进行了细致的检验。对于可训练的对象，方法着重研究区域候选网络，并在理论与实践上对目标检测方法精确度进行验证。并修正商标图形以获得更高的检测精确度。
　　本文提出了通过结合更快的R-CNN和MobileNet来辅助移动设备获得更高分辨率的特征图方法。该方法使用适当的锚节点选择来改进区域候选网络。结果表明，使用MobileNet和R-CNN架构具有更好的检测精度。实验结果表明，商标检测方法在NVIDIAGeForceGtx1070上实现了92.4％的最终精度，对比于单独的两种方法提升了1.6%的精度。并且发现商标检测模型在检测时表现良好，错误率在合理的范围内。