近年来,卷积神经网络和可变形部件模型在计算机视觉领域中取得了令人瞩目的成绩。卷积神经网络作为深度网络的一种,结合传统人工神经网络和卷积运算,通过稀疏连接、权值共享和池化(pooling)等操作,极大地减少了模型的参数数量,使得其可以进行大规模的机器学习训练。同时,它对物体的形变有较高的鲁棒性。可变形部件,在图结构模型的基础上,继承了“将物体分解成若干部件的组合”的基本思想,使用隐变量支持向量机,从弱标记数据中学习部件滤波器和形变模型参数。除此之外,可变形部件模型引入了混合分量,以反映类内差异,实现了较强的泛化能力,并且在2010年获得了PASCAL VOC终身成就奖。本文深入研究了卷积神经网络和可变形部件模型之间的联系,并提出了可变形卷积神经网络模型。首先基于传统卷积神经网络模型,论文提出了多部件描述卷积神经网络的概念。该部件滤波器,利用了“卷积神经网络浅层次网络和深层次网络分别是对局部特征信息描述和全局特征信息描述”的思想,将卷积神经网络深层隐藏层特征作为部件滤波器。同时为了得到卷积神经网络的部件滤波器,本文研究了梯度图的部件定位算法。卷积神经网络的梯度图对于兴趣目标具有高响应值,对于背景响应值较低。因此,本文分析隐藏层的深层网络输出对原始输入图像的梯度图的响应中心和部件位置的关系,并根据混合高斯模型,挖掘部件滤波器。另外,本文在CUB200-2011数据集上进行部件定位实验,验证了此算法的可行性。最后研究了可变形部件模型,提出了可变形卷积神经网络模型,该模型基于卷积神经网络多部件滤波器模型,引入变形层,以应对目标形变,增强网络检测性能。基于caffe(深度学习框架)进行编码实现,配合GPU加速,并在公共数据集PASCAL VOC 2007上进行了实验验证分析。实验结果表明可变形卷积神经网络,可以有效的提升检测准确率,平均检测准确率达到40.8%。