野外大视场环境下的炸点检测常采用图像帧间差分的方法,但由于炸点分布在其尺寸及形态方面的多样性,使得对密集炸点的检测成为难点问题。本文重点围绕尺寸形态多样性特征下的炸点检测方法进行研究,较系统现有方法,有针对性的增加了特征判据,使炸点检测效果得到提升。对于密集炸点中无法采用特征描述的场合,提出了一种基于增强区域全卷积网络的检测方法,较好的解决了由于尺寸形态多样性等所带来的炸点难以区分和辨识的问题。所涉及的主要研究工作如下:结合国内外炸点检测的相关文献资料,选定利用光电成像探测的方案完成炸点检测需求。该方案通过在监测区架设多个可见光观测站构成多目立体视觉测量系统。通过前端影像数据采集、自动调光、噪声抑制等处理算法获取较好像质图像。研究了一种基于多特征级联帧间差分的炸点检测方法,该方法在帧间进行实时运算,研究利用连通域搜索的方式自适应地确定形态学滤波的内核尺寸,以更好的滤除炸点的边缘扩散信息;研究通过搜索炸点边缘凹点个数的方式,对粘连炸点进行分离;研究观察炸点扩散趋势,提出扩散趋势线的概念,完成被遮挡炸点的检测。相对于系统现有方法,精确率和召回率分别提升了6.5%和12.7%。提出了一种基于增强区域全卷积网络的炸点检测方法。首先构建了野外大视场下的炸点检测专用图像数据集。在此基础上,将深度学习引入到炸点检测任务中,在区域全卷积网络的基础框架上,针对炸点检测独有的特性,对特征提取子网络、区域推荐子网络、位置敏感池化层和分类回归子网络进行了分析与改进。提出了一种基于剪枝的网络模型训练方法,解决多次盲目尝试取最优训练结果的问题。最终平均精确率为83.7%,验证了算法的有效性。