目标检测作为计算机视觉领域的一个极为重要的分支,其在视觉领域中所起的作用无可替代。随着人工智能、计算机视觉领域的不断发展,目标检测被应用于视觉导航、军事公安以及虚拟现实等诸多领域,但是检测效果并不能真正满足实际需求,因此如何获得更好的目标检测效果成为目标检测领域乃至整个计算机视觉领域亟待解决的问题。在综合分析国内外研究现状的基础之上,并结合深度学习、计算机视觉等相关知识,对如何获取更好的目标检测结果进行了深入研究。具体研究内容如下:首先,介绍了目标检测的基本概念及相关知识,并对本课题用到的卷积神经网络和组成卷积神经网络的卷积层、池化层、全连接层等进行了简要介绍。其次,根据卷积神经网络提取的各层次特征图的特点,提出一种利用特征图加权融合实现的目标检测方法。该方法利用卷积神经网络提取彩色图像特征,并根据特征图加权融合思想提出特征图加权融合方法同时由该方法得到新特征图,再将新特征图输入到改进的RPN网络中得到区域建议,最后用ROI Pooling层提取区域建议特征并对特征分类且同时进行目标位置边框回归操作实现目标检测。再次,提出一种基于全卷积神经网络的目标检测方法。该方法利用残差网络提取特征并进行特征图加权融合得到彩色图像的新特征图,且利用增加了输出通道数的卷积层获取位置敏感特征图以及利用改进的RPN网络提取区域建议,再通过池化等操作得到区域建议的特征向量并对向量进行类别判定等操作实现目标检测。最后,对提出的两种目标检测方法进行实验验证,并将所提方法与已有目标检测方法的实验结果进行对比。