目标检测任务是计算机视觉领域里一项非常重要的任务,是其它的计算机视觉任务的根基。目标检测方法研究从传统机器学习方法到基于深度学习的方法,检测效果得到较大的提升。目前几乎所有最先进的基于深度学习的目标检测方法都依赖于预先定义的锚定框（Anchor）,基于Anchor-based的目标检测方法存在的一些问题,如手动设计Anchor、正负样本的不平衡等,因此本文放弃预定义的Anchor,使用基于Anchor-free的目标检测方法用于安防领域的行人与车辆的检测。基于Anchor-free的目标检测方法以目标中心区域的像素为训练样本来逐像素预测边界框的偏移量,但目前Anchor-free的目标检测方法存在精度较低的问题。首先,为了解决基于Anchor-free的目标检测方法中精度较低的问题,并且得到一个实时高效的网络,本文对网络结构进行了重新设计,主要包括主干网络、颈层、检测头、样本选择方法、学习率、后处理几大方面。本文的主干网络采用在Res Net网络结构上增加Res2Net模块的方法以增加感受野,颈层采用实例分割的PANet网络结构中的路径增强的特征金字塔PAFPN以增强特征,检测头采用GFocal Head V2。本文使用DFL损失函数,以解决检测框边界不确定性的问题。本文使用QFL损失函数,以解决分类分数与检测框质量分数在训练与推理中的用法不一致问题。样本选择方法使用ATSS,以解决正负样本不均衡问题。后处理使用Soft-NMS,以解决相邻检测框被抑制的问题。本文对各模块进行了完整的算法描述并进行了相关实验与分析,结果表明本文设计的网络结构高效。其次,在目标分类阶段,场景中出现对同一目标的不同分类结果的误匹配现象。根据不同分类目标的相似特性,本文提出了一种优化算法,是基于Io U的剔除策略,称为相似目标抑制规则。本规则算法在后处理阶段,依据两检测框的Io U重叠程度和不同分类目标的相似特性,从而判断目标检测框是否保留,剔除置信度较小的检测框。本文算法在提出的行人与车辆数据集上进行改进效果的验证,结果表明相似目标抑制规则能够得到更加准确的检测效果,降低了误报率。最后,本文设计的网络结构和提出的优化算法基于真实安防场景的行人与车辆数据集进行训练与测试评估。本数据集场景丰富,以此数据集为基准,实验结果表明,改进的算法平均精度（Mean Average Precision,m AP）为0.704,比优化前方案提高0.031。不仅如此,速度方面,可以达到30FPS,完成了基于Anchor-free目标检测方法在行人与车辆场景中较高精度的实时效果。相对于基于Anchor-based的目标检测方法,该网络结构简单、灵活,并且可以自适应地预测行人与车辆目标的边界框。本文所提出的算法为一般的目标检测算法提供高精确率和低误报率。该算法是有效的,为开发实时行人与车辆检测算法铺平了道路。