随着图像分析技术的不断发展,目标检测受到国内外科研人员越来越多的关注。场景信息作为图像中必不可少的信息,对于目标检测来说是一个至关重要的信息。场景主要分为室内场景和室外场景。其中室内场景与人类生活息息相关,所以室内场景目标检测作为目标检测的重要分支受到了广泛关注和研究。对于室内场景的目标检测可以为人们的生活工作等各个方面做出巨大贡献。本文在现有的通用目标检测框架的基础上面研究一种新的室内目标检测方法。本文的主要研究内容如下:1.本文使用了一种基于循环卷积神经网络的室内目标检测网络。首先利用循环卷积神经网络对于序列的处理能力构建全局信息模块来提取全局信息,然后与现有检测网络模型结合对室内场景进行检测。循环卷积神经网络对序列的处理,可以使特征谱上的特征计算获取距离特征点较远处的特征的信息,因此,本文所使用的检测网络模型可以充分利用图片的上下文信息提高对室内场景的目标检测效果。2.本文研究了基于置信度调节的重叠目标检测算法。利用非极大抑制算法滤除检测框会导致一部分重叠目标的检测框被滤除。本文通过重叠面积以及检测框所属类别信息调整检测框的置信度,然后通过置信度阈值滤除检测框得到目标框,可以有效提高对于重叠目标的检测效果。3.本文使用了一种基于室内目标属性规律的目标检测优化方法。利用室内目标之间的共存关系,统计得到它们的共存概率,根据概率设置转化因子和硬间隔调整检测框的置信度。通过本文的优化方法可以有效的减少误检和漏检情况的出现。为了训练本文的网络模型以及验证本文方法的有效性,本文构建了室内目标检测数据库。客观的实验数据和主观的实验结果均证明了本文所搭建的网络以及本文使用的算法对室内目标检测效果有一定的提升。