目标检测一直是计算机领域中具有挑战性的研究课题,是计算机视觉中非常重要的分支。在当今人们生活、刑事侦测、军事目标检测、以及医学手术等方面都有其广泛的应用,对于未来无人驾驶时代也有着非常重要的应用价值。随着计算机技术的不断发展,对于目标的检测识别精度有了更高的要求,实际应用中,面临各种图像质量不佳的复杂场景中,对多个目标的定位和识别同样面临着许多挑战。传统的目标检测的算法由于需要人工从原始图像中获取目标特征信息,算法流程繁杂,时间复杂度高,而且精度往往较差,导致目标检测的研究一直停滞不前。近些年来,随着人工智能的发展,基于深度学习的目标检测算法虽然已经达到了很高的检测效果,但是对于小尺寸目标依然存在检测精度低的问题。运动模糊是日常生活中常见的图像退化现象,如何应对由于相机抖动,物体运动或失焦引起的运动模糊图像的检测识别也成为一个需要解决的现实问题。这些都需要进一步的探索和研究。目前,基于深度学习的目标检测算法使用区域提议的思想将注意力集中在图像中最可能包含物体的位置,大大的减少了算法的复杂度和计算量。与此同时,对于运动模糊图像恢复的研究,采用深度学习的方法也取得了最新的成果。本论文工作在以上研究基础上,针对目前存在的问题,提出了一种基于目标区域提议的运动模糊图像目标检测和识别模型。具体工作如下:(1)为了解决小尺寸目标检测精度问题,提出了一种用于目标检测的多尺度和多任务实现方法。根据卷积神经网络深层特征和浅层特征所具有的特性,以及目标分类和目标检测这两个任务的各自需求,将深层特征和多尺度特征结合使用,能够充分发挥不同特征信息的优势,且该多尺度融合方法结构简单,使得多余的参数得以省略。最后,在目标检测PASCAL VOC和COCO数据集上的实验结果表明,提出的方法具有提升的目标检测表现,尤其是在小尺寸目标的检测中。(2)针对运动模糊问题,提出了一种轻量型尺度循环网络。在网络构建时,使用编码器-解码器的结构,结合使用残差连接块作为中间层,大大减少了网络规模。具有网络参数少,训练时间短的优点。此外,在GOPRO检测数据集上,提出模型在图像恢复质量方面与当前领先的算法相比具有相当不错的竞争力。在速度方面,实现了单幅图片检测速度0.17s,明显优于已有的算法。(3)构建了运动模糊图像的目标检测网络模型。提出了一个用于联合优化的实验步骤,将运动模糊和目标检测进行有效地结合。对于算法的验证,由于缺少可用于目标检测任务的运动模糊图像数据集,本文采用运动模糊核对图像添加运动模糊的方法,对目标检测数据集进行处理,构建了一个用于测试的数据集,然后对训练好的网络进行定量分析。结果表明,采用结合去运动模糊后的目标检测网络模型能够实现对运动模糊图片的目标检测和识别。