贺兰山岩画是不可多得的古代文明遗存,对于研究古代文化具有重要的参考意义。然而,目前部分岩画正受到来自自然侵蚀、分化的破坏以及一些人为的破坏影响。因而,急需采取必要的措施,对现有的岩画进行保护。目前,部分研究人员将数字化电子化技术运用于现有岩画的保护研究,在这个过程中,检测识别是其中的一个重要环节。贺兰山岩画存在前景背景区分度低、特征信息不明显甚至缺失等增加检测识别难度的因素,为了对贺兰山岩画目标的识别准确率和检测效率进行提升,需对现有的目标检测算法进行研究。近年来,对目标检测算法的研究有了较大的突破。较为普遍使用的目标检测算法可分成两类,一类是基于候选区域的R-CNN系算法（Fast R-CNN、Faster R-CNN等）,另一类则是基于回归的YOLO、SSD等算法。本文使用基于深度学习的目标检测算法对贺兰山岩画图像中的目标进行检测识别,对两类目标检测算法中的经典代表算法Faster R-CNN、SSD、YOLOv4进行研究。在实验室原有四类贺兰山岩画目标图像数据集基础上,制作加入人像这个类别的目标图片来扩充原数据集。之后使用Faster R-CNN、SSD算法实现贺兰山岩画检测识别并对比分析了不同特征提取主干网络对实验结果的影响。最后对YOLOv4算法展开了深入研究,探索模型的检测精度和检测速度的平衡,使用YOLOv4算法及其轻量化模型YOLOv4-tiny实现了贺兰山岩画检测识别,并通过引入CBAM注意力机制对YOLOv4-tiny算法进行改进来提升整个算法的检测识别精度。实验结果表明,未使用Mosaic数据增强的YOLOv4算法对贺兰山岩画检测的FPS为47,平均精度均值达到了 89.80%,相比使用Mosaic数据增强的YOLOv4算法平均精度均值提升了 5.23%。未使用Mosaic数据增强的YOLOv4-tiny对贺兰山岩画进行检测识别,在平均精度均值为82.60%的情况下,其检测速度FPS达到了 164。加入CBAM注意力机制未使用Mosaic数据增强的YOLOv4-tiny算法平均精度均值为85.99%,检测速度FPS为127,与未使用Mosaic数据增强的YOLOv4算法相比,在平均精度均值下降3.81%的情况下,检测速度提升了约2.7倍,达到了较好的综合检测性能。