目标检测一直是计算机视觉里的重要研究方向之一,受到众多学者的密切关注,其目的是判定输入图片中是否含有目标类别,并用边界框将目标包围起来。随着视频数据的快速增长,视频目标检测研究得以快速发展。视频目标检测将视频看作连续的图片帧,在每一帧上完成目标检测任务。视频目标检测在自动驾驶、视频监控、智慧城市等应用领域发挥着不可或缺的作用。然而,视频目标检测仍面临许多问题。视频中不可避免的运动模糊、怪异姿势和视频失焦等问题,会导致目标检测器检测精度下降。针对视频目标检测中存在的问题,本文基于深度强化学习思想并利用视频中的时序信息,提出了一个基于深度强化学习与追踪算法的视频目标检测混合模型。该模型包括基于深度强化学习的目标检测算法（Object Detection Algorithm based on Deep Reinforcement Learning,DRL-ODA）与基于检测与追踪的边界框融合算法（Integrated Detection and Tracking Bounding Box Algorithm,IDTBBA）两个模块,旨在解决候选边界框冗余与检测精度下降等问题。论文的研究工作主要包括以下两方面。首先,本文提出一个基于深度强化学习的目标检测算法DRL-ODA。该算法旨在提升静态图像目标检测精度。传统的目标检测算法多依赖大量候选框,而冗余的候选框会带来大量计算,为了减少候选框数量,DRL-ODA引入一个顺序搜索网络来生成候选区域。顺序搜索网络定义一个智能体,在输入图片的特征图上进行自顶向下的顺序搜索,智能体根据初始候选区域采取相应的动作,选择新的搜索中心得到新的候选区域;重复上述过程,直到智能体有足够信心确定当前区域为最佳候选区域。每一搜索步骤完成时,候选区域会被送入之后的检测网络,对于每个类别分别生成回归向量,反馈给智能体。随着搜索的进行,图像的上下文信息得到了整合。在MOT 2015数据集上的实验结果表明,此方法不仅可以减少生成的边界框数量,还可提升检测的准确率。其次,本文在DRL-ODA的基础上,提出了一个基于追踪与检测的边界框融合算法IDTBBA,该算法属于边界框后处理的方法,旨在利用视频时序信息进一步提升检测精度。与单张图片相比,视频数据拥有充分的时序信息,利用追踪算法获取视频目标运动轨迹,并将其整合到检测过程中来,能够充分利用目标的运动信息,让检测任务从追踪任务中获益。IDTBBA将顺序搜索网络得到的候选框与追踪算法得到的候选框合并为一个集合,并进行重打分操作,赋予候选框不同的置信度得分,并在此集合上进行非极大值抑制操作。在MOT 2015数据集上的实验结果显示,相较于其它未使用融合方法的目标检测算法,IDTBBA能够有效提升检测的准确率,验证了该边界框融合算法的有效性。