随着人工智能技术在计算机视觉领域的广泛应用,目标检测作为计算机视觉领域中备受关注的前沿方向,涉及到图像中的检测和识别任务,应用于医学影像处理、图像检索、自动驾驶、人脸识别等各个场景。人们对目标检测的研究从早期的利用传统图像特征与机器学习结合的方法,逐渐发展为基于深度学习的方法。本文对基于两阶段的目标检测模型进行研究。此类模型在第一阶段由区域建议网络(region proposal network,RPN)提出候选正样本。训练该阶段的样本由图像中的目标位置与锚框(anchor box)的匹配后选取得到,导致模型被大多数匹配情况好的目标驱动,存在漏检的情况,对小目标及长宽比较大的目标尤为明显;其次,目标检测任务中的样本不均衡问题也会给模型训练带来较大影响。针对这些问题,本文基于两阶段目标检测框架中的经典模型Faster R-CNN算法,对RPN样本匹配和训练损失优化两方面展开研究,同时在工程中的病害数据集上实验,检验所提出的策略带来的目标检测效果提升。主要创新内容如下:(1)针对RPN阶段中样本提取和匹配不平衡问题,提出了一种改进的BRPN(Balanced region proposal network)算法。该算法给匹配困难的目标相应的正样本设定了自适应的宽松阈值,并且设置阈值策略拉开了正负样本距离,改善了RPN的样本提取质量,在匹配困难的目标类中检测性能提升明显。(2)针对网络的几何变换建模能力不足和不同类别数据不平衡问题,构造了一个新的目标检测网络。该网络使用Res Next和特征金字塔网络作为backbone,增强了网络的特征学习能力。为了提高网络的几何变换建模能力,提出将部分卷积替换为可形变卷积(Deformable Convolutional Networks,DCN);针对不同类别目标的数据不均衡问题,提出改进的B-Focal-loss损失函数。该损失函数比传统Focal-Loss更加注重当前阶段难分目标类,驱动模型自适应调整不同类的训练比重。改进的网络的漏检率与对少量数据的类别检测效果有显著改善。通过在测试阶段进一步结合Soft-NMS与多尺度模型融合等技巧,改进的目标检测网络在精度上取得了显著的提升。