图像检测作为图像处理领域的重要研究课题已被广泛应用。在本文中,我们将使用卷积神经网络算法来解决图像检测问题,主要围绕道路监控图像中驾驶员安全带检测问题,以及基于肺部X射线图像的肺炎检测问题展开研究,研究的具体情况如下:（1）本文提出了一种改进密集残差网络的安全带检测方法。首先使用YOLOV3目标检测模型来进行驾驶员区域定位。对于驾驶员的安全带检测,使用密集残差块来避免网络训练过程中的梯度弥散和信息损失。另外引入两级注意力机制,分别通过通道注意机制和像素注意机制,同时对不同特征通道之间以及特定特征图中不同像素之间的相关性进行建模,有效提高网络性能。对比实验表明,该方法对复杂环境下的安全带检测具有较高的精度。（2）本文提出了一种基于改进的EfficientNet道路监控图像中驾驶员安全带检测方法。首先使用YOLOV4模型对驾驶员区域进行定位,在此基础上采用一种改进的EfficientNet模型对驾驶员是否佩戴安全带进行检测。为了提高检测精度,引入两级注意力层。为了增加网络的鲁棒性,通过对生成式对抗网络进行改进并训练,达到扩增安全带检测所需数据集的目的。该方法在应用于驾驶员安全带检测的过程中,能够在减少网络参数的情况下得到更高的检测精度,并且该方法对于复杂多变的环境条件下,对于安全带检测有着更高的精确度。（3）本文提出了一种融合Transformer和卷积神经网络肺炎检测方法。首先通过卷积神经网络对图像进行特征提取,使用卷积操作来捕捉图像中局部特征信息,并且加入残差连接将深层和浅层的局部图像信息结合起来,保留图像特有性质,防止特征信息丢失。加入Transformer模块,获取图像全局信息,并且对Transformer架构的输入和输出特征信息通过并行连接进行特征融合。通过改进损失函数,加入类别系数解决图像样本不均衡的问题。实验表明,相对于其他方法,本方法对于新冠肺炎检测具有较高的准确度和召回率。