目标检测作为计算机视觉领域中一个重要的研究方向,是其他高级图像理解任务的基石。目标检测是指识别并定位输入图像中的感兴趣目标。近年,在深度学习技术尤其是卷积神经网络的推动下,基于深度学习的目标检测算法发展迅猛,得益于深度网络的特征提取能力大为增强。鉴此,本文从提升检测性能、提高检测实用性的角度,以基于深度学习的目标检测算法为基础,针对其:1)目标尺度变化范围较大时,检测算法容易受到尺度变化的影响;2)少量样本下复杂场景目标的识别率不高;3)算法在实时嵌入式设备上部署应用困难等问题,开展如下研究:(1)为了解决目标检测算法适应目标的尺度变化不足的问题,在YOLOv3算法基础上,结合对感受野的研究改进提出了一种跨深度的卷积特征增强的目标检测算法。研究认识到由于YOLOv3的特征金字塔模块忽略了不同检测层对目标预测贡献的差异而致尺度变化大的目标检测召回率低的问题,新设计了跨深度的特征增强模块代替了原来的特征金字塔模块。对每个检测层针对它们所对应的感受野的不同分别采用不同的特征增强模块,改善各尺度检测层对目标尺度变化的适应能力,使得不同检测层适应不同尺度的目标检测。实验结果表明,该算法能较好地适应目标的尺度变化。(2)针对当前深度网络较大程度依赖于大的训练样本数量,少量样本易致网络过拟合、检测算法泛化性能不够的问题,在YOLOv2算法基础上改进并提出了一种面向少量样本集的类别监督目标检测算法。该网络分为基础检测网络模块和类别监督网络模块两部分,类别监督网络模块对每个类别进行本质类别特征的学习表示,并对基础检测网络进行类别监督,从而使得网络更加关注于目标类别的核心特征而忽略变化特征,抓住类别的本质信息。实验证明,该算法在少量样本数据集下具有较好的检测性能。(3)针对目标检测算法的嵌入式应用部署,本文在某实际应用项目对无人机的检测中,研究设计了一种轻量级的实时无人机检测网络Tiny SSD,该网络对SSD的骨干网络进行了改进,并采用了跨深度的卷积特征增强模块使得网络能够适应目标的尺度变化,实现了算法在实时嵌入式系统的部署。实验结果表明,该算法可以在嵌入式设备上很好地检测无人机,速度也能接近实时。