随着人们安防意识的不断增强,城市监控系统变得日益庞大,监控系统不断发展的同时带来了新的挑战,研究人员引入计算机视觉相关领域的技术发展智能监控系统,使计算机具备视频分析能力,实现监控视频中的目标检测。由于监控视频中目标和场景的变化影响较大,传统的视频目标检测算法如帧间差分法、背景减除法以及光流场法等对于复杂场景、光照变化、弱小目标及遮挡目标等情况的处理无法满足实际应用的需求,基于深度学习的目标检测方法能够较好的解决这一问题。本文以某高校校园监控视频为研究对象,从监控视频的特点入手,结合SSD(Single Shot Multi-Box Detector)的网络结构及实现原理,深入剖析了 SSD网络用于监控视频目标检测中存在的问题,并针对具体问题进行了改进,使SSD网络能够较好的应用于监控视频场景中的目标检测。本论文的主要研究内容包括以下几个方面:(1)介绍了目标检测技术的研究现状,综合考虑目前主流的目标检测算法在检测准确度及速度上的表现,选取SSD网络用于监控视频目标检测,并结合校园监控视频中目标检测的实际需求,完成了 SSD网络的训练及测试。(2)将SSD网络应用于校园监控视频目标检测,并就检测效果进行分析,结合SSD的网络结构及实现原理深入分析了校园监控视频目标检测中存在的主要问题及原因。(3)由于摄像机的拍摄视野范围较大,使得监控视频中多数目标属于小目标,给目标检测带来困难。针对这一问题,提出了基于图像区域划分和SSD相结合的目标检测方法,并对小目标在输入图像中所占比例对检测效果的影响进行分析。测试结果表明,图像区域划分的方法不仅有效提升了白天监控视频的检测效果,而且很好的改善了 SSD在夜间监控视频中的表现,进一步证实了该方法的有效性。