随着大数据时代的到来和智能手机技术的发展,互联网上的图像数据呈现爆发增长。海量的图像数据每天都在被上传到互联网上,如何利用计算机挖掘这些信息中的价值成为一个挑战。其中一些图像数据信息需要对物体进行定位与识别才能有效挖掘,因此目标检测成为了研究的热点。近年来,随着深度学习的不断发展,基于卷积神经网络的目标检测算法相较传统方法取得了极大的进步。但这也产生了一些诸如小目标、重叠目标误检等新的难题。针对这些新的目标检测难点,本文从检测框损失函数的设计出发对当前各种目标检测方法进行分析与研究,并设计不同的损失函数在Cascade＿RCNN网络模型上测试,提高网络检测效果。根据对各种检测框损失函数的检测原理的具体分析与实验,本文探讨了各种检测框损失函数的优缺点和其计算检测框损失函数的优劣。据此提出几种从不同衡量标准出发的检测框损失函数,并在采用Res Ne XT-101作为骨干网络的Cascade＿RCNN目标检测模型上进行验证,分析其检测结果加以改进。最终综合多种损失函数的优点提出2种新的检测框损失函数COLloss和CLloss,通过实验验证了算法可行性。同时将衡量检测框的评价标准用到非极大值抑制上,提出了基于中心点距离的非极大值抑制算法,并通过权重将其与传统基于重叠率的非极大值抑制相结合得到新的集成极大值抑制算法,通过实验验证算法可行。为了挖掘Cascade＿RCNN的检测潜力并进一步提高算法的检测精度,本文在Cascade＿RCNN特有的多个检测框回归模块上提出用多种不同检测框损失函数组合的方式来提升检测精度,设计实验与分析。发现了组合损失函数需要组合中的每个损失函数优化方向一致或相似才得以提升检测效果的规律,对比分析了不同检测框损失函数组合的检测结果、训练时损失函数计算总值、训练时间。并在具体的小目标检测、重叠目标漏检和误检上对其进一步对比评价。以此作为评价标准来选取最优的检测框损失函数组合,提出本文最终成型的基于Cascade＿RCNN的损失函数组合算法COL+S+S+S。实验结果表明本文提出的COL+S+S+S检测框损失函数组合方式和CL+S+S+S检测框损失函数组合方式可以有效的进行目标检测,原有的Cascade＿RCNN在Pascal＿VOC数据集上的m AP为0.826,经本文改进后的算法的m AP达到了0.838。相较原方法提升了0.012m AP,从而证明了改进后的方法具有更高的的准确率和召回率。在目标检测的难点,重叠目标和小目标的检测上COL+S+S+S算法在这些特定难以检测的样本上均取得了更好的检测效果。同时COL+S+S+S和CL+S+S+S在检测速度上与Casacade＿RCNN原模型都为每秒10.8张,在内存资源消耗上COL+S+S+S方法使用内存10452MB,Cascade＿RCNN则使用内存10528MB,证明新的COL+S+S+S的改进方法在提升检测的精度的同时并未明显增加模型的资源消耗和降低模型的检测速度,这使得改进后的模型在各个方面上均优于原模型。相较原模型具有更好的应用价值。在Pascal＿VOC数据集的公开榜单上,本文的算法所取得的检测m AP在只采用VOC数据集训练的榜单上达到了相当于第三名的检测效果。