目标检测指的是通过算法从图片或视频中的找出所有感兴趣的目标,并确定他们的位置和类别,它是诸多计算机视觉任务需要解决的最基础的问题之一,具有重要的研究意义及实用价值。随着人工智能技术和硬件水平的迅速发展,越来越多的研究者将深度学习技术应用在了目标检测领域,以R-CNN系列和YOLO系列为代表的经典算法在检测速度和精度上有了巨大的提升,从此,基于深度学习的方法在目标检测领域占据了主流地位。然而,将这种基于图像的目标检测应用到视频领域往往不能令人满意,因为运动模糊、相机失焦和视频中经常遇到的罕见姿态等问题会导致外观恶化。仅仅依靠静态图像是无法有效解决这些问题的。视频可以提供包含多帧图像的上下文和时间信息。结合这些信息可以更有效地解决上述问题。本论文研究基于时空上下文的视频目标检测方法,使用特征融合模块通过建模目标的时空关系,提升了特征表达能力,m AP提升了2个点;使用特征传播模块去除相邻图像的冗余性,提升了算法的检测速度。针对上诉思想,本文主要做了以下两个工作:1.为了更有效地利用视频中的时空信息,提出了一种基于循环神经网络的特征融合视频目标检测方法。给定一段视频,每一帧首先由CNN进行处理以提取特征。在特征图上使用光流模型来估计相邻帧之间的运动信息。通过结合运动信息和相邻帧特征,提高当前帧的特征表达,获得更高质量的检测结果。并使用嵌入模块,得到具有时间一致性权重,从而提高视频目标检测性能。我们还引入了双向的Conv LSTM,有效地建立跨帧的时间信息,为后续检测器提供更高质量的特征。2.提出了一种基于关键帧策略的快速视频目标检测算法。密集的特征计算和融合虽然显著地提升了检测精度,但是损失了运行速度。本算法引入了关键帧的策略,提出了一种新的视频目标检测框架,从每n个帧中选取m个作为关键帧,其中,关键帧的特征由特征提取网络计算得到;非关键帧的特征,由多个关键帧到该帧的传播特征融合得到。实验表明,通过调节m/n的值,可以得到具有不同准确率和速率的模型,以适用于不同的场景和需求。