随着深度学习的日益发展,人们对视频目标检测领域的关注也逐渐提升,虽然视频目标检测算法成为了如今研究的热点并取得了一定的突破,但是还存在检测准确率低、对模糊目标的检测效果不理想以及对遮挡目标定位不准确等问题。本论文将选择注意力机制、自适应视频关键帧提取方法和距离交并比回归损失函数应用到视频目标检测任务中以提高检测的准确率。论文的主要工作内容和创新点如下:1.针对视频目标检测中对特征图各通道投入的关注程度相同,导致目标物体的检测准确率不高的问题,本文基于深度特征流视频目标检测算法,对其中的特征提取网络残差网络进行改进,提出了RECA-Net视频目标检测网络模型。通过通道注意力机制模块,实现了特征图中局部跨通道的信息交互,增强特征图中目标特征通道的显著性,从而使得模型在训练过程中能够捕捉到视频帧中的重要信息,进而提高模型检测的准确率。通过在公开的ILSVRC 2017 VID数据集上的实验证明,RECA-Net的检测准确率比DFF、FGFA、TPN视频目标检测算法高。2.针对视频帧图像中存在目标物体不清晰以及运动幅度较大,导致视频关键帧选取不合理的问题,本文提出了一种自适应视频关键帧选取方法。首先通过拉普拉斯梯度函数计算当前视频帧图像的清晰度,然后利用光流网络计算当前视频帧与其最邻近视频关键帧之间所有像素位置的总位移量来判断目标物体是否发生剧烈运动,只有当前视频帧足够清晰且目标目标发生剧烈运动时,此视频帧才可以作为新的视频关键帧。这种视频关键帧选取方法在保障了视频关键帧质量的同时,在一定程度上提高了视频中目标检测的准确率。通过在ILSVRC 2017 VID数据集上的实验证明,基于自适应视频关键帧提取的视频目标检测算法取得了比DFF、FPFA、TPN、RECA-Net算法更高的检准确率。3.针对在网络模型训练过程中边界框回归不够稳定,导致网络模型发散的问题,本文改进了视频目标检测网络模型中的回归损失函数。利用距离交并比损失函数作为边界框回归部分的损失函数,改进后的网络模型回归损失函数考虑到了边界框与真实标注框之间的重叠面积、中心点距离以及重叠率等方面,从而使得边界框的回归更加稳定且有效,进而提高了视频目标检测算法的准确率。通过在ILSVRC 2017 VID数据集上的实验证明,利用距离交并比回归损失函数进行模型的训练,可以提高了模型的检测能力以及泛化能力。相比于DFF、FGFA、TPN、RECA-Net和基于自适应视频关键帧提取的视频目标检测算法,基于距离交并比回归损失函数的视频目标检测算法取得了更高的检测准确率。