目标检测是计算机视觉的研究方向之一,在无人驾驶、智能交通、安全监控、人机交互等领域有着重要的研究和应用价值。当前深度学习技术的发展极大地推动了目标检测算法的进展,但人体目标检测由于目标尺度变化、姿态变化、遮挡、复杂背景等情况影响,检测方法仍然存在较多问题。此外,各类社交和视频软件为了高效的传输大量图像、减轻网络载荷,会对原始图像进行有损压缩,导致丢失很多图像特征,对后续目标检测造成不利影响。针对上述问题,本文采用深度学习技术,从图像压缩噪声去除、人体目标检测两个方面进行深入研究,提出了基于图像压缩噪声去除的人体目标检测方法,在PASCAL VOC的人体数据上得到了高性能的结果,主要研究内容如下:1)提出了深度卷积网络的人体图像压缩噪声去除方法:与以往只用RGB三通道的方法不同,本文针对JPEG算法压缩图像时存在质量因子这一可用信息,通过改进Res Net18全连接层和损失函数,提出基于深度学习Res Net网络的质量因子估计方法,为压缩噪声去除提供更多的参考信息。采用FFDNet网络,结合图像pixel＿shuffle逆变换后的张量和质量因子形成的张量,按通道进行拼接,对图像进行压缩噪声去除。实验结果表明,提出的方法使网络能够利用额外的信息,有效提升人体图像压缩噪声去除质量,对后续的人体目标检测性能的提升提供支撑。2)提出了高分辨率特征融合的人体目标检测方法:针对深度网络所提取的特征不够充分,在目标环境多变、尺度变化等影响下缺乏鲁棒性以及单个目标检测器存在误判的问题,将压缩噪声去除的人体图像作为输入,采用HRNet作为主干网络提取高分辨率特征,并结合HRFPN融合低层表观信息和高层语义信息,获得目标高质量的特征表示。使用级联的目标检测器进行分类和边界框回归,使推断出来的目标框更加精准,进一步提升目标检测性能。实验结果表明,经过噪声去除后的图像,无论直观感受还是具体的量化指标,相较于不应用噪声去除的原始人体图片,具有更好的检测性能。尤其是在处理多尺度和姿态各异的人体目标时,检测效果显著。