随着人工智能技术的兴起,特别是深度学习与卷积神经网络的快速发展,计算机视觉领域涌现出一大批先进理论与算法,其中目标检测与风格迁移作为视觉研究的重要方向,成为众多研究者的研究热点。在现有视觉算法中,目标检测无疑是最关键的技术环节,目标检测的精度对后续目标的识别(如人脸)等环节影响较大。为提高通用目标检测精度,本文提出了一种基于关联性模块的改进R-FCN算法Accurate R-FCN,通过引入关联性模块将物体间的外观与几何特征关联,提高了检测精度。此外,为解决感兴趣区域(Ro I)在量化中产生的位置偏移问题,在候选区域网络(RPN)中应用位置敏感的感兴趣区域队列(PSRo I align)生成更精确的候选框;针对人脸一类特定目标,本文提出了一种基于位置敏感平均池化(PS average pooling)的改进R-FCN人脸检测算法Accurate Face R-FCN。采用位置敏感平均池化赋予人脸各个区域不同的权重,完成对于人脸的精确检测。在对人脸目标进行精确检测的基础上,为实现对人脸图像的风格迁移,本文以循环生成式对抗网络(Cycle GAN)为基础,在网络结构上进行了改进,取消了影响训练收敛速度的环形网络,并在图像生成阶段将目标域的先验信息与原始图像进行纵深级联;优化了损失函数,采用分类损失代替循环一致损失,使改进后的循环生成式对抗网络(Cycle GAN++)能以指定风格对Accurate Face R-FCN提取的人脸图像进行风格迁移。为评估算法性能,在COCO、Wider Face及Celeb A三个公测数据集上对本文提出的通用目标检测、人脸检测、风格迁移三种算法进行了实验验证与测评。实验结果表明,Accurate R-FCN算法在COCO测试集中相比于其他七种经典算法达到了更高的检测精度;Accurate Face R-FCN算法在Wider Face测试集中相比于其他十二种人脸检测算法取得了更好的结果;在Celeb A测试集中,Cycle GAN++表现优于其他四种风格迁移算法。