深度学习,作为人工智能一个重要的分支,现在受到人们越来越多的关注,而目标检测这个计算机视觉的基础性研究领域也因为深度学习的快速发展焕发出了新的活力。目标检测即是在图像或者视频中找到目标物体的位置,并确定物体的类别。由于图像中目标的形态和大小不一,数量和位置不定,这使得目标检测一直是计算机视觉检测领域的难题之一。传统的目标检测采滑动窗口和图片缩放的方式,这种方式检测效率差,精度低,为了改善传统检测算法的弊端,将深度学习和目标检测相结合的方法应用而生。基于深度学习的目标检测算法主要分为两种,一种是以R-CNN系列为代表的twostage目标检测算法,这类算法要先产生候选区域,然后再对候选区域进行分类和边框位置的修正,另一种是以SSD、YOLO等为代表的基于回归的one-stage目标检测算法,这类算法不需要产生候选区域直接对目标物体进行回归。本文主要针对Faster R-CNN和SSD两种目标检测算法进行了深入研究,具体内容如下:(1)对深度学习技术和目标检测算法展开了研究,分析了卷积神经网络和常用目标检测技术的工作原理。(2)通过从网络结构、锚框的生成和训练流程来对Faster R-CNN的算法原理进行了深入研究。针对原算法存在的一些问题,本文在原网络结构中加入了特征金字塔网络,并对目标类别的分类标签进行了优化。此外还对实验的训练图像进行不同的变换来扩充数据集,这些使得原算法的检测效果得到了优化。(3)研究了SSD算法,对SSD的整体结构、先验框的生成、先验框的匹配和难分样本挖掘以及损失函数等原理进行了深入分析。为了改进原算法,一是在原算法的网络基础上加入了Top-Down模块,二是优化了分类损失,三是使用了Soft-NMS算法。(4)在计算机平台上使用了深度学习框架MXNet对Faster R-CNN算法和SSD算法进行了改进前和改进后的训练实验,并对实验的检测结果进行了分析,结果显示检测效果改进后相比改进前得到了提高。