摆渡船在公共交通运输中扮演重要的角色,其合理调度对满足人们的需要和提高资源利用率具有重要意义。多目标检测技术可以通过检测上下摆渡船的各种车辆对合理调度摆渡船资源提供重要参考。但是由于摆渡船场景较复杂,需要检测包括person、car、truck和bus在内的四类目标。因此实现一种检测准确率较高的检测算法对于实现摆渡船场景的多种目标检测意义重大。Faster R-CNN作为近年来在目标检测领域具有较高检测准确率的目标检测算法,可以利用多层模型来学习抽象的数据表示,能够发现大量图像中的复杂结构,如何利用该算法实现摆渡船场景中多种目标的检测是本文的研究内容。本文具体的研究工作如下:深入研究Faster R-CNN算法的检测流程,结合摆渡船场景,对RPN网络和分类回归网络进行设置,确定了训练方法,并选取在自建数据集上检测准确率较高的ResNet101作为特征提取网络。对检测模型进行训练和测试,实验结果表明Faster R-CNN算法对摆渡船场景中的小尺寸目标会出现漏检,检测准确率较低。针对Faster R-CNN算法对摆渡船场景下的小尺寸目标类的检测存在的问题,本文在该算法的基础上提出了基于融合特征的改进方法。根据ResNet101的分层特点,融合相邻层的输出特征,生成融合特征集合。特征融合之后可以将低层特征图高分辨率的特点和高层特征图高语义的特点相结合。在生成RoIs时,根据建议区域的尺寸不同选取特征集合中对应的融合特征,在此基础上进行分类和回归。本文在自建数据集上对改进后的算法进行训练和测试,实验结果表明改进后的算法有效地提高了小尺寸目标的检测准确率。