近年来,随着神经网络的不断发展,以深度学习为基础的各类目标检测算法应运而生,并广泛应用于行人检测、目标追踪和无人驾驶等领域。YOLO目标检测算法因其检测速度快而成为实时目标检测技术中的研究热点。而目标检测所应用的公共场所监控画面、医疗影像结果以及防空预警中的红外摄像等,普遍为黑白图像,为了突出黑白图像中的检测目标,对图像着色技术也有很强的应用需求。本文针对YOLO目标检测算法和着色技术进行研究,主要内容如下:1、在目标检测中,检测速度和准确性是衡量其检测效率的重要指标。YOLO目标检测算法因其在一个神经网络模型中同时实现对目标范围和目标类别的检测,所以具有检测速度快的优势,但存在检测准确率不高,对小目标的检测性能较差的问题。为此本文首先针对YOLO检测准确率不高的问题,提出了一种改进的R-YOLO模型。该模型将残差单元引入YOLO目标检测算法中,通过增加网络深度,不但提高了检测准确性,而且基于残差网络的快捷连接方式,可将前一层输出直接与后面的卷积层相连,虽然增加了一定的复杂度,但是不影响检测速度。其次,对改进模型中的三层卷积输出进行特征金字塔融合,将深层次的语义信息与浅层次的位置信息相结合,通过提升模型对小目标特征的学习能力,以提高小目标的检测准确度。实验结果表明,R-YOLO目标检测算法可以在保证检测速度的前提下,提高检测准确率,改善对小目标的检测性能。2、为突出实际应用中黑白图像的检测目标,提出了基于GAN的图像着色算法。该算法采用残差单元构成生成网络,在保证网络深度的同时,提高生成网络性能,改善着色效果。利用该算法在Pascal数据集上对不同分类的图像进行着色分析,并将其与R-YOLO模型进一步结合实现了目标着色处理。实验结果表明,运用优化后的GAN整体着色效果较好,对改进YOLO算法的目标检测结果进行着色处理,能够使目标检测结果清晰明确。3、利用Python语言,采用Py Qt技术,基于两种改进算法设计了目标检测与图像着色系统,该系统通过理论与应用相结合的方式,根据功能不同返回所需的可视化结果,验证了改进算法与系统的实用性。本文提出的基于残差网络与特征融合的改进YOLO目标检测算法、基于GAN网络的目标着色算法、以及基于改进算法所设计的目标检测与图像着色系统,具有一定的实用价值。