近些年来,随着高强度和快节奏的全信息化的作战水平的迅速提升,依靠传统的人工检测的方式实现车辆目标和其它军事目标的检测,对人力物力提出了更高的要求和挑战,而且对输入图像的检测结果的实时性和准确率均难保证。随着在军事上自动化程度的不断提高,采用基于深度学习的目标检测技术对多尺度车辆目标和其它重要军事目标的自动检测成为未来相关军事目标检测发展的必然趋势。由此,本文对基于SSD的多尺度车辆目标检测算法进行了探究,主要工作如下:首先,重点研究了卷积神经网络基本组件包括卷积、池化、激活函数等,研究了SSD目标检测算法实现的基本原理,独立制作车辆数据集,通过搭建的Pytorch深度学习平台,实现基于VGG16基础网络的多尺度车辆目标检测,又通过对比VGG和Res Net等基础网络对算法精度、速度的影响,针对VGG16基础网络出现的深度网络模型退化的特点,并最终确定选取可学习残差的Res Net18作为本文SSD算法的基础网络,并通过分析多尺度车辆目标检测目前主要存在的难点,分析并找出SSD目标检测算法在多尺度车辆目标检测上存在的缺陷。主要是针对SSD算法在多尺度车辆目标中的小目标中的缺陷,对SSD检测算法进行改进。通过基于先验框尺度K-means聚类结果得出的车辆目标先验框长宽比,重新确定了车辆数据集先验框尺寸,解决了SSD网络中对小目标初始建议框设计不合理的问题,实现了对车辆小目标的检测性能的提升。针对在低层特征图中含有小目标信息但是缺乏相应语义的信息,高层的特征图中包括更丰富语义的信息而缺乏小目标的信息,提出以FPN的融合各层特征的基础方式改善网络模型,完成低、高层之间的特征融合,以实现对车辆小目标检测能力的提升。最终确定以融合conv4₃特征图当作特征金字塔底层特征图,接着将c4₃融合到fc7、c6₂、c7₂、c8₂、c9₂各个特征图中,以此提升小目标的检测能力并在自制车辆数据集和VOC2007数据集上进行实验验证,实现了网络模型性能的提升。最后,完成了深度学习Pytorch实验平台搭建。并在平台基础上完成基于多尺度车辆目标检测的可视化操作界面。