提出一种基于卷积神经网络改进的通用物体检测方法。改进主要涉及两个方面,包括如何选取候选区域提取方式和重合窗口合并机制的优化。第一,关于候选区域提取问题,在RPN的anchors机制基础上,提出基于样本ground truth boxes的聚类anchors机制,使得候选区域选取方式更加具有目的性,从而使得分类器可以更好地学习目标特征。第二,提出了一种不同于非极大值抑制的非线性非极大值抑制的检测框合并机制,通过降低非最大得分检测框的分数而不是直接抑制掉的方式,重新计算得分的机制是使用高斯函数计算检测框与分数极大值的框的重合度得来的。针对两点改进,在国际上广泛使用的通用物体检测库VOC2007数据集中进行了一系列实验。实验结果表明,提出的两种改进方法均能有效地提高检测性能,在相同的测试条件下,融合两个改进方法相比R-FCN算法检测性能提升了 1.7%,达到了 81.2%的检测结果。提出一种基于卷积神经网络的交通限速标识牌分类方法,首先建立了不同速度限制的限速标识牌数据库,通过网络设计,并且利用公开库GTSRB进行神经网络参数初始化,之后在自定义的训练集中进行参数微调,测试集中进行分类器性能验证。实验过程中对样本进行了虚拟扩展,并且改变负样本的类别数,最终得到的CNN分类器在交通限速标识牌的测试集上的平均正确率达到了 99.7%。实验结果表明,本文提出的卷积神经网络模型在限速标识牌分类任务上取得了较好的分类精度。