透明物体检测在智能机器人、智慧实验室和智能实验教学等领域中发挥着重要作用,推动着科技生活的发展,但对透明物体的检测具备一定的挑战性,由于透明物体本身没有自己的纹理属性,其外观很大程度上依赖于环境背景,在复杂的环境下对透明物体的准确识别存在很大难度。目前深度学习技术广泛应用于目标检测任务中,使得检测的性能得到很大提升。因此,本文将深度学习技术应用于透明物体检测领域,提出了基于CNN的真实场景下透明物体检测算法。首先,目前针对透明物体检测的数据集较少,其中一些大型透明物体数据集中的部分图片采取一定的技术手段合成,并非真实场景下的图像数据,背景较为单一,不符合本文在复杂场景下的透明物体检测研究条件,因此本文设计了一种多约束条件下透明物体数据集的筛选处理方法MC-TOPM,结合多约束条件下生产排程的思想,制定多个约束条件,考虑任务的优先级,对多个包含透明物体的数据集按条件筛选,获得用于透明物体检测算法研究的数据集TODatasets,以此为基础,本文所提出的算法模型均在TODatasets数据集上进行。其次,针对目标检测精确度提升的研究,本文提出了基于改进的注意力架构和多层次特征融合的透明物体检测方法（IA-MLFF RCNN）,在Faster RCNN模型的基础上,先设计了改进的注意力架构（IAA）,将其嵌入主干网络中,利用通道注意力机制来选择性强调包含更多重要信息的通道,提高网络的判别能力;然后针对目标检测算法中的多尺度问题,在FPN思想的基础上,设计了多层次特征融合模块（MLFFM）,充分融合深层特征丰富的全局语义信息和浅层特征的局部空间位置信息,并为不同层次的特征引入权重,以平衡不同尺度的特征信息;最终将二者融合到Faster RCNN模型中,构成IA-MLFF RCNN模型,并将IA-MLFF RCNN应用于透明物体数据集TODatasets的检测研究中,实验结果表明,相较于其他检测算法,其精度提升了约1.41%。最后,为减少模型参数量、提高检测速度,本文提出一种基于参数压缩策略的透明物体检测模型（PCS-YOLO）,其轻量级和高效性适用于小设备、嵌入式设备或移动终端等算力和存储有限的设备,缓解网络模型结构复杂、参数量多、检测速度慢的问题。PCS-YOLO包含Mobilenet-v1特征提取网络模块、SPP和Dw-PANet构成的加强特征提取网络模块（DW-EFEN）、预测和先验框调整模块（P-BAM）三大模块。在YOLOv4模型的基础上,首先选取轻量级的Mobilenet-v1作为主干网络提取目标物体的特征信息;然后设计了基于深度可分离卷积的DW-EFEN,用于对提取到的特征信息进行整合强化,获得更有效的特征信息;最后利用小型的P-BAM对输入图像进行预测和先验框的调整,输出最后检测结果。将PCS-YOLO用于透明物体检测研究中,实验结果表明PCS-YOLO的参数量仅有13.32M,检测速度提高了约1.7倍左右。