随着手机拍照技术的普及以及摄影设备的发展,我们积攒了大量的视频和图像资料,这些数据里蕴涵着丰富的信息等待我们挖掘。人工智能的普及和运用,方便了我们的生活。我们希望让机器更加的智能化来代替我们完成更多的任务,因此需要赋予机器更多人的功能,比如视觉、运动和语言理解等。视觉在人类的所有感知知觉中占据重要地位,如果能使计算机拥有人的视觉功能将大大提高计算机的智能化程度。目标检测是计算机视觉的核心技术,主要研究的是从一张图像中框出我们关注的目标并标注出目标的类别,其主要包括分类和定位两个任务。基于深度学习的多目标检测技术以其检测速度快、检测精确度高等优点成为目前目标检测技术的主流,不断有新的算法推出。本文通过目标检测技术的发展历程分析目前流行的基于深度学习的多目标检测技术的优势。基于深度学习的多目标检测算法代表作品有Faster R-CNN、Yolo和SSD,本文分析了这三种算法的基本原理并根据原理推出他们各自的优缺点,结合我们的实验需求,我们对比得出结论认为Faster R-CNN算法更加符合工程任务的需要。在深度学习的模型训练过程中,数据集的优劣和规模以及参数的设置是影响深度学习模型训练结果好坏的重要因素。我们通过实验采集交通视频获得交通图像数据集,使用Faster R-CNN这一算法,通过实验实践分析了不同的训练数据集规模、不同的预训练模型、不同的训练方式、不同的迭代次数等实验因素对模型训练结果的影响。实验结果表明,这些因素对检测模型的mAP、精准率、召回率等指标影响很大,通过实验数据可以为研究人员在预训练模型的选择和实验参数的设置提供参考。