椭圆是现实世界最常见的形状之一,因此椭圆检测算法是现代计算机视觉应用程序的重要组成部分。椭圆检测算法已经被广泛应用于细胞检测,工件检测,交通标志检测,机器人平台对象跟踪等领域。到目前为止,人们还没有提出一种能够高效准确地检测小椭圆,扁椭圆,嵌套椭圆的算法。现有椭圆检测方法分为传统椭圆检测方法和基于深度学习的椭圆检测方法。传统方法以椭圆边缘点为核心进行椭圆检测,但是小椭圆的像素比较少,属于不同嵌套椭圆的像素点距离较近,因此传统方法对于小椭圆和嵌套椭圆的检测效果不理想。深度学习椭圆检测方法使用的Loss函数不能很好地衡量预测椭圆与较扁的目标椭圆的差异性,所以现有的深度学习方法对于扁椭圆的检测效果较差。另外,数据集图片过少和图片尺寸不一致仍然影响着此类方法的效果。为了提升深度学习检测椭圆的效果,本文提出了基于区域检测的椭圆检测算法。该算法提出一种针对现有椭圆数据集的预处理方法,弥补了椭圆数据集的缺陷;针对深度学习Loss函数的缺陷,本方法使用了一种新型的Loss,利用椭圆的五个参数构造高斯分布,将预测椭圆跟目标椭圆的差异性用两个对应的高斯分布的差异性来衡量,能够较好地衡量预测椭圆和较扁的目标椭圆的差异性。实验结果表明在具有大量小椭圆和扁椭圆的数据集上,本方法取得了比现有方法更好的检测精度。但是基于区域检测的椭圆检测算法检测速度较慢,对于纹理复杂的现实生活图片检测效果较差,进而本文提出区域检测与弧筛选相结合的椭圆检测方法。区域检测方法能够找到小椭圆所在区域,进而使用Bicubic算法对这些区域进行放大,实现对小椭圆像素的补偿,解决了小椭圆的检测问题。弧筛选算法对边缘弧段进行严格分类,解决了嵌套椭圆的检测问题。实验结果表明本方法在较短的检测时间内,在检测各个数据集时取得了良好效果。