随着智能监控系统、手持拍摄设备在日常生活中的逐渐普及,视频数据呈指数增长,视频目标检测成为计算机视觉领域一个亟待解决的问题。近年来,深度学习技术极大地促进了图像目标检测的发展,各种模型算法层出不穷,奠定了视频目标检测的基础。但是相比图像,视频数据具有帧间相似度高,相邻帧存在时序关联性,数据量大等特点,且数据中存在由物体和镜头相对运动引起的尺度变化、外观变化、物体遮挡和运动模糊等挑战。现有的主流算法,要么利用视频帧间的相关性进行特征融合提高模型的精度,要么利用视频帧间的相关性进行特征传递提高模型的速度。针对上述问题,本文权衡视频目标检测的精度和速度,从特征提取、特征融合、损失函数和关键帧选择等方面展开深入研究,并通过实验验证分析提出方法的有效性。具体的研究工作主要包括如下:1.针对视频中小目标偏多的问题,本文提出并实现了一种基于多尺度特征交叉融合模块和IOU(交并比)损失的网络结构。使用多尺度特征交叉融合模块将浅层特征的细节信息和深层特征的语义信息进行多尺度融合,提高网络对密集小目标的召回率;使用与面积有关的IOU损失将候选框坐标作为一个整体进行回归,克服了网络同等对待相同位移偏差对大、小型目标造成不同影响的问题,并通过中心距离、面积等因子加速模型在候选框和标定框完全重合和完全不重合时的收敛速度。实验表明:本方法有效地提高了目标检测的精度,尤其小目标的识别率。2.针对视频中普遍存在的外观变化、尺度变化、旋转等情况,本文提出并实现了一种基于多尺度自适应卷积和通道注意力的网络结构。多尺度自适应卷积模块使用标准卷积提取图像特征,可变形卷积学习物体的位置变化,空洞卷积扩大感受野的同时保留更多的细节信息,使模型具备对物体几何变换的学习能力。并使用通道注意力对模块不同分支的卷积结果进行自适应加权融合。实验表明:本方法极大地提高了模型对发生非刚性形变物体的检测准确率。3.针对视频中存在的运动模糊和物体遮挡情况,本文提出了一种自适应关键帧选择策略。可以根据视频帧间SIFT(尺度不变特征转换)特征的相似性动态地确定关键帧,实现相似度低时的密集采样,由基础卷积网络提取关键帧的特征;相似度高时的稀疏采样,利用光流信息提供的帧间空间位置相关性将之前关键帧的特征进行变形(warp)后传递给非关键帧。并在检测结果中沿着时间轴构建相邻帧候选框总得分最高的序列,对序列中的候选框进行重打分,并去除同帧中与序列中候选框交并比较高的其他候选框。相比以固定间隔选取关键帧的Deep Feature Flow、Impress Network等算法,不仅解决了运动模糊和物体遮挡对检测结果的影响,而且更好地实现了检测速度和检测精度之间的平衡。