随着社会的发展进步,互联网和IT信息技术的发展方兴未艾,数字图像、视频媒体数据急剧增长,利用计算机视觉技术处理分析图像、视频的需求日益增长。目标检测是许多计算机视觉技术的前提和基础,主要用来对感兴趣目标进行图像识别和目标定位,受到越来越广泛的重视。目标检测除了要满足必要的检测精度外,对检测速度的实时性要求也越来越高。随着神经网络技术的发展,基于深度学习的目标检测取得了较好的检测效果,但仍存在模型复杂度高、训练时间长、计算资源利用率低等问题,检测精度也有很大提升空间。本文对深度卷积神经网络进行了深入的研究和分析,提出了基于深度学习的实时目标检测算法,分别针对目标检测网络的骨干网络（backbone）和检测头（detection head）这两个重要组成部分进行研究和实验。主要创新点和研究工作如下:（1）针对目标检测网络的骨干部分（backbone）,提出一个适用于目标检测任务的轻量级骨干网络。该骨干网络从卷积层内部和网络层结构进行多尺度特征提取和聚合,保留了对目标检测任务十分重要的多尺度特征。首先,Stem Block模块采用双流结构减少原始输入图像信息的损失,实现图像快速下采样的同时,保留了丰富的浅层图像特征;其次,提出一个分组卷积模块Conv Block,在卷积层内部分组提取并融合不同尺度的图像特征;最后,基于残差连接和高效的通道注意力机制改进一次性聚合模块,提出e OSA有效地选择和聚合各网络层图像特征,通过特征复用提高网络检测效率。整个骨干网络能够有效地提取图像的多尺度信息,更适用于目标检测任务,同时,可以高效地聚合各网络层特征,通过特征复用提高网络效率和资源利用率。（2）针对目标检测网络的检测头部分（detection head）,提出一种基于语义采样和检测框优化的目标检测算法,解决了正、负样本分配不合理的问题,能够学习更优的图像分类特征和目标定位信息。算法由基于语义的定位模块、自适应特征增强模块和高效的检测框优化三个模块组成。定位模块提出基于语义的样本采样方法,根据目标的语义特征区分前/背景区域,合理选择正样本和负样本,优先选择语义信息量较大的前景区域作为正样本;特征增强模块利用目标语义概率图和检测框偏移逐像素调整图像分类特征,增大前景特征所占比重,根据目标大小自适应调整特征编码范围;检测框优化采用并联的方式,对优化前后的检测框计算分类损失,几乎无成本地提升了定位性能,保证了特征对齐性和一致性。（3）探索了实时目标检测算法在无人零售领域的应用。首先,收集并标注了一个商品数据集,该数据集包含10类常见商品;其次,根据实际场景采用合适的数据扩充策略,在商品数据集上训练实时目标检测模型,检测网络由多尺度特征聚合的骨干网络、基于语义采样和检测框优化的目标检测头以及图像特征金字塔整合而成;最后,在本文搭建的实验平台上验证模型在无人零售场景的检测效果,无人智能货柜检测方案包含商品静态检测和商品动态检测两种识别思路。在商品数据集上的实验表明,实时目标检测模型检测精度达99.23m AP,检测速度为56.05FPS,满足实时检测要求。模拟实验表明,模型可以准确识别货柜内商品信息,正确判断用户的购买行为。