目标检测一直以来都是图像处理领域中基础且较难的任务之一。近年来,深度学习作为人工智能领域中的突破性进展,已逐渐成为了图像处理等诸多领域中的最优策略,引起了广泛的研究及应用。本文阐述了传统目标检测算法缺点,分析了基于深度学习的目标检测算法的优势,之后总结了近三年来一系列基于深度卷积神经网络的目标检测算法的原理、思路及发展路线,分析这些算法的优缺点,并介绍了深度学习网络的优化方向。针对于实时目标检测任务,本文从一种优秀的快速目标检测框架SSD的基础上出发,为了进一步提升目标检测速度,同时压缩模型,以期让网络模型适用于存储受限的移动设备或嵌入式设备,因而对原有的SSD网络做了如下几点改进:1、将原有VGG16特征提取层替换成参数更少的Squeeze网络。2、在多尺度空间特征层中,将传统卷积模块代替为参数更少Fire模块。3、在特征网络中引入旁路连接模块,提升了网络精度。4、提出了一种反向级联拒绝分类器,其同多尺度空间特征层相结合,极大地减少了候选目标检测区域,提升了目标检测速度。5、对网络模型进行网络修剪和权重量化两步压缩,减少了模型大小。本文通过对比实验分别考查了上述各类改进对算法的影响,并通过试错实验获得了相关改进模块的超参数。在综合各类改进之后,最终算法同SSD300相比,在相似的检测精度下,其目标检测时间减少到原来的三分之一左右,而模型大小缩小到21倍以上,从而达到了效率的极大提升。