如何将视频监控网络获取的视频数据利用人工智能的方法进行高效的分析,是近来计算机视觉领域备受大家关注的一个前沿课题。而且随着计算机科学与技术以及视频监控硬件的快速发展,业界对智能监控技术的要求也越来越高。所谓的智能视频监控处理技术,主要是可以在不需要人力干预的情况下,利用计算式视觉的图像分析方法,将视频监控网络获取到的视频解析为一个视频序列并完成对其的自动分析,进而实现对实际监控场景中目标的检测、分类、识别与跟踪,再通过既定算法完成对当前视频目标行为的分析。这种技术可以在完美替代传统监控所有功能的同时,还可以对突发的各种异常情况做出迅速的反应。而视频目标检测是整个智能视频处理系统的基础部分,更是后续的各种高级应用(如目标跟踪、目标再识别)的基础,因此视频目标检测在智能视频分析系统中起着关键性的作用。本文基于深度学习对视频目标检测方法进行研究,利用深度卷积神经网络多层非线性结构的特性对视频目标特征进行整体建模。考虑到之前的一些视频目标检测算法在进行一些小目标检测时都不够快速、准确且对不同场景普适性较差,本文结合Faster RCNN对于普通视频目标检测快速准确的特点以及ResNet在深度网络特征提取层加入的effective path(多人投票系统),再加上后期对网络结构的精简,提出了一个可以对视频目标进行快速检测同时兼顾小目标检测的名为ERF-Net(Efficient Residual Faster rcnn)的深度网络结构。通过在多个标准数据集和自建数据集上与同类检测算法进行对比实验,最后的实验结果表明,本文提出的视频目标检测方法在场景变化、光线明暗、多重遮挡等情况下,都能实现对视频目标(小目标)的快速准确、鲁棒的检测。