目标检测是对图像中感兴趣目标进行识别和定位的技术,目标检测性能的好坏直接决定了目标跟踪、动作识别等视觉任务的性能。因此目标检测在计算机视觉领域中是至关重要且不可缺少的。基于深度学习的目标检测算法使用多层卷积神经网络CNN（Convolutional Neural Network）逐级提取图像特征,自主学习并获取特征信息,提高了检测的精度,缩短了检测的时间。较高的精度和实时性使得基于深度学习的目标检测算法在各领域被广泛应用。本文基于YOLOv5（You Only Look Once）目标检测算法进行改进并针对基于改进的算法对视频进行分析,研究内容如下:（1）针对目前基于深度学习的目标检测算法参数多,速度低导致检测实时性不高的问题,提出了一种基于YOLOv5的改进目标检测网络模型CGS-Ghost YOLO。首先在网络的输入端之后添加了Stem Block模块进行下采样,可以在保持较强的特征表达能力的同时提高网络的泛化能力。并且提出了CGS-Ghost卷积模块,能够在维持特征提取效果的同时在一定程度上减少网络参数。针对特征表达性低及特征中包含位置信息弱导致检测精度低的问题,在网络中的Bottleneck CSP结构中与SPPF（Spatial Pyramid Pooling Fast）模块前加入CA坐标注意力机制,加强网络提取特征的位置信息与语义信息;然后,在颈部网络使用Bi-FPN双向跨尺度链接加权融合网络,使整个特征提取网络能够融合更多的特征,检测的结果更加精确。（2）基于CGS-Ghost YOLO网络模型,结合Rep Ghost模块进行优化,维持网络性能的同时进一步减少网络参数,并使用空洞空间金字塔池化层扩大感受野,增强特征提取信息,在损失函数方面使用了SIo U Loss作为边框回归损失,考虑了预测框与真实框之间的角度、距离、形状差别,使回归运算更加高效,加快模型训练速度,提升模型检测精度。针对基于目标检测的视频分析任务,将改进后的CGS-Rep Ghost YOLO模型经过Tensor RT加速后部署至嵌入式设备Jetson Nano中,结合Deep Stream智能视频分析流程实现多模型组合检测,多路视频同时推理,智能视频分析等功能。