在计算机视觉领域,目标检测是一个重要课题,它在视频监控、自动驾驶、人机交互等方面具有重要的研究价值和应用前景。近年来,深度学习技术取得的突破性进展以及计算机硬件性能的不断提升推动了目标检测技术突飞猛进的发展和日益广泛的应用。本文的研究内容是在一些应用领域对基于深度学习的目标检测方法进行改进。本文主要涉及两种应用,一种是行人检测,另一种是对隔离开关的检测。由于图像中往往存在较小的行人目标,而且行人的尺度分布较广,本文先是提出了将深度网络特征与高分辨率的传统通道特征进行融合,以解决利用深层的网络特征无法很好地检测较小行人的问题;然后针对行人的多尺度问题,对特征金字塔网络FPN进行了改进,通过自适应地融合多尺度深度特征,使其在多尺度行人检测上有更好的表现。对于隔离开关的检测识别问题,我们开发了三种具有不同精度和速度的基于深度学习隔离开关检测和状态识别算法,并将其投入了企业应用中。本文的贡献主要概述如下:(1)本文提出了将深度特征与传统的通道特征融合的行人检测算法,该方法在候选区域同时提取深度特征和传统特征后融合,在少量增加计算量的前提下,实现了检测准确率的较大提升。(2)针对行人检测中的多尺度问题,本文采用了特征金字塔模型FPN,并加入了一个挤压和激励(Squeeze-and-Excitation)模块和一个自适应池化(Adaptive Feature Pooling)模块,来融合FPN各层级的特征,从而更好的对多尺度行人进行检测。(3)本文还设计并实现了一个隔离开关检测和状态识别系统,对其训练时的数据增广以及检测识别等流程进行了专门设计,针对不同的精度、速度要求,提出了不同的检测和识别方案,取得了良好的应用效果。