随着科学技术的迅速发展,数据信息的快速增长,各个领域对智能影像处理技术的需求量与日剧增。其中,最重要的一个分支就是基于深度学习的目标识别与检测。由于其具有处理速度快,检测范围广,以及可以同时处理大批量数据的优点,因此被广泛应用于智能视频监控,行人重识别,敌方舰船检测,海上救援监测等民生和军事领域。目前,基于深度学习的目标检测算法已经取得了突破性的进展,检测性能也已经得到了很大的改善。但是,在许多实时性和准确性要求更高的应用场景下,现有的实时目标检测系统仍然存在网络笨重复杂,检测速率低以及对不同尺度的目标检测准确性低等弊端。本论文将深度卷积融合网络,基于金字塔的多尺度特征融合模块,基于自注意力机制的嵌入式模块应用于实时目标检测任务中,使得网络对不同形态和大小的目标的检测精度和速度都有了明显的提升。本文主要研究内容包括以下几方面:1、提出了基于深度卷积融合网络的目标检测方法。针对深度卷积网络中不同位置语义特征不平衡,对不同尺度目标的检测精度差异性大的弊端,在基础网络上加入了基于金字塔结构的多尺度特征融合模块;针对深度卷积网络中正负样本框不平衡,对目标和背景无法精确定位的弊端,在基础网络上加入了基于两段式结构的多尺度特征融合模块。最后,在VOC数据集上对深度卷积网络和多尺度特征融合网络进行实验测试和结果对比,可以发现深度卷积融合网络的检测准确率较基础卷积网络得到了很大的提升。2、提出了基于金字塔多尺度神经网络的目标检测方法。针对SSD网络单一的特征提取方式,导致无法对小目标,密集目标,遮挡目标进行精确定位的弊端,在SSD网络中加入了基于金字塔结构的特征提取方式,使得网络能够同时提取到目标的位置偏移特征和全局轮廓特征并进行融合。最后,分别在VOC数据集和COCO数据集上对金字塔多尺度目标检测网络进行实验测试,并且与近几年优秀网络的检测准确率进行对比,充分显示出了此网络的优越性。3、提出了基于自注意力机制的嵌入式目标检测方法。针对SSD网络特征提取方式盲目性太大,特征信息冗余性太大造成的对多尺度目标的识别准确率低的弊端,加入了基于自注意力机制的预测模块;针对深度卷积网络运算速度太慢,可移植性差的问题,将基于自注意力机制的多尺度神经网络搭载到FPGA上,利用FPGA功耗低,运算速度快的特点,充分实现了对网络模型的加速优化。最后,在VOC数据集上分别对自注意力嵌入式目标检测系统的检测准确率和检测速率进行实验测试和结果对比,充分显示出了此系统的优越性。综上所述,本文对基于多尺度神经网络和自注意力机制的实时目标检测方法进行研究,实验结果证明了提出方法的可行性和有效性,说明研究成果具有一定的实际意义。