目标检测技术广泛应用于公共安全、军事国防、医学等领域。本文针对利用单一的结构光深度图像或彩色图像、同时利用原始低分辨率结构光深度图像和彩色图像进行目标检测存在准确率不高的问题,围绕图像超分辨率重建、联合结构光深度图像与彩色图像的目标检测,开展了如下研究工作:(1)针对SRCNN、ESPCN等无法同时满足较好重建效果和实时处理要求,提出了一种新的基于CNN的图像超分辨率重建方法。以未做任何预处理的低分辨率图像为输入数据,利用卷积操作提取特征,采用1×1的小卷积核作降、扩维处理,减少网络参数,改善重建效果;利用反卷积与池化的组合进行放大和缩小,提取对结果更为敏感的特征;再通过反卷积实现重建。实验表明,该方法不仅实现了更好的重建效果,而且能够每秒重建24张以上320×240的图像,满足实时处理视频图像的要求。(2)针对现有的SRCNN等学习能力弱导致重建性能不佳、收敛速度慢等问题,提出了一种基于深度残差网络的图像超分辨率重建方法。设计了一个包含42层的深度网络,在网络高层采用Inception结构与残差网络的组合学习残差,再将学习到的残差和输入数据相加得到输出。Inception结构增加网络宽度从而增强其非线性,提升重建性能,残差网络加速收敛。实验表明,相比Bicubic、SRCNN,本章所提方法在较少的训练迭代次数下达到更好的效果,网络收敛速度得到显著提升。(3)针对单独利用彩色图像或结构光深度图像的目标检测方法存在局限性导致检测性能不理想的问题,提出了一种联合结构光深度图像和彩色图像的双通道SSD检测网络。在原有SSD(Single Shot MultiBox Detector)网络的基础上增加深度图通道网络,并对深度图像与彩色图像在不同网络层以不同方式融合进行了研究。实验表明,融合深度图像和彩色图像有利于目标检测,充分利用彩色信息和深度信息,能够提高目标检测的准确率。(4)针对同时利用原始结构光深度图像与彩色图像的目标检测受图像分辨率低影响导致检测精度不高的问题,在本文所提双通道SSD网络的基础上,提出了一种联合高分辨率深度图像和彩色图像的检测网络。先从本文所提重建方法中选择更优方法对原始图像进行处理,然后联合所得深度图像和彩色图像进行目标检测。实验表明,先对结构光深度图像和彩色图像重建再做检测能进一步提高目标检测的准确率。本文所提两种重建方法均能提升性能,且分别实现了实时处理、加速收敛;本文所提双通道SSD网络提高了检测精度;先利用本文所提重建方法中的更优方法处理原始图像,再联合所得图像进行目标检测,进一步提高了检测精度。