目标检测是计算机视觉领域的基础任务之一,是融合了模式识别、深度学习、图像处理等多个学科的前沿技术,其主要任务是确定目标在图像中的位置以及目标的类别。卷积神经网络提取的特征表达能力强,广泛应用到目标检测中。基于卷积神经网络的目标检测算法有着检测精度高、检测速度快的优点,广泛应用到工程实践中的各个领域。本文重点阐述了几种有关于二阶段目标检测算法的改进策略,在检测精度上对Faster R-CNN算法有一定提升。本文主要工作如下:1.本文在总结二阶段目标检测算法基本原理的基础上,总结几个问题:(1)预选区域样本分布不均衡;(2)预选区域特征图表达能力问题;(3)预选区域精度问题。并且通过级联FPN的方法验证特征图表达能力的问题,通过统计预选区域样本分布以及预选区域召回率验证预选区域的样本分布问题和精度不足的问题。2.针对预选区域样本不均衡问题,给出基于IOU的负样本平衡方法,使IOU区间得负样本采样数量相同,实现预选区域中简单样本减少,困难样本增加的目标,通过实验验证方法的有效性,增加模型学习困难样本的能力,从而提高目标检测精度。3.针对预选区域特征图质量的问题,建立了将图像注意力机制加入到FPN算法中的方法,使融合后的特征图特征表达能力更强,提升特征图质量,通过实验对比实验,验证图像注意力机制能起到提高检测精度的作用。针对预选区域精度不足的问题,构建了重新预测预选区域模块,将原预选区域重新预测一次得到新的目标框作为分类的预选区域,提高预选区域精度,提升特征向量特征表达能力,通过实验验证了方法的有效性,即提高目标检测精度,又减少检测错误的情况。4.在公共数据集研究目标检测算法的基础上,将改进后的模型应用到了船舶目标检测中,并且使用数据增广的方法整理了一套船舶目标检测数据集,通过实验验证以上改进方法可以提升船舶目标检测精度,通过多种算法的对比实验验证其他目标检测框架在船舶目标检测领域的可行性。本文使用了三种改进策略,通过在COCO数据集中的实验验证了改进策略的可行性,相较于原算法,改进后的模型在检测精度上有一定提高。在需要高精度目标检测任务中,基于优化预选区域的改进二阶段目标检测算法有比较广泛的应用价值。