近年来,目标检测取得了巨大进展,在严重遮挡、模糊、姿态多变等条件下,都能取得较好的检测效果,但对于密集目标的检测仍是一项具有挑战的任务。因此本文展开基于深度学习的密集目标检测算法的分析与研究,最终用密集课程名和密集人脸分别验证本文算法的有效性和合理性。主要研究内容如下:在已知图像中密集目标分布固定的情况下,本文验证分析了将现有通用目标检测模型直接用于密集目标时检测精度不高的问题。为提高密集目标的检测精度,设计了一种基于深度学习的固定分布密集目标检测算法,并以成绩单中的密集课程名为例展开研究。为降低目标的密集程度和避免分割后出现目标漏检的现象,首先根据目标分布规律设计了一种图像重叠分块方法,用YOLOv2模型对分块进行检测。分块检测后,如存在重复目标,选择合适的方法去除重复框。此外若目标存在倾斜角度时,对倾斜目标进行校正处理,提高目标的检测精度。为验证算法性能,在成绩单数据集上进行实验,实验结果表明,在成绩单测试集上,本文算法的检测正确率达到99.11%,漏检率和误检率分别仅为0.89%、0.89%,均优于YOLOv2和Faster R-CNN算法,检测效果最好。上述算法只能解决固定分布的密集目标检测问题,因此针对分布不固定的密集目标,本文设计了一种基于YOLOv2的可变分布密集目标检测算法。首先定义能正确反映目标密集程度的密度公式并设计密度阈值,作为目标密度判别标准。当图像中含有密集目标时,需要对图像进行重叠分块。用YOLOv2检测模型对分块图像进行检测后,将目标回归到原输入图像时,如果存在重复框,用本文设计的融合方法对重复目标进行融合,得到最终的检测结果。此外,对本文训练集中的目标标注信息进行聚类,重新选取目标候选框的宽高参数后再训练模型,提高了模型的定位准确性。为验证算法有效性,在密集人脸数据集和FDDB人脸检测数据集上测试,实验结果表明,本文算法在密集人脸数据集上的检测正确率达到96.75%,漏检率和误检率分别为3.25%和3.14%。与通用目标检测方法YOLOv2和Faster R-CNN相比,本文算法不但提升了密集人脸检测的正确率,降低了漏检率和误检率,同时在FDDB数据集上也有较好的人脸检测效果;与人脸检测算法SSH相比,本文算法降低了误检率。为了更加直观地展示算法,本文设计了演示系统,对算法的各个步骤进行功能展示。