随着大数据的出现以及硬件的不断迭代更新,使得深度学习在目标检测领域取得了突破性进展。目前,智能机器人,无人驾驶系统,客流统计已成为相关行业的重点研究方向,基于视觉的行人检测是其中的关键技术。与街道行人,室内行人等行人检测相比,运动场上的球员检测一直没有被重视起来,球员检测可以定位球员,与姿态识别,视频追踪结合,可以在某种程度上取代裁判执行奖惩机制,更具有公正效益。本文以运动场上运动员为背景,改进深度学习算法,对高分辨率小目标实时检测的相关算法展开研究。主要研究内容如下:在图像输入部分,本文提出新的图像分块与合并算法去处理输入图像,把整张高分辨率的图像划分成不同大小的小块,提高训练模型时输入图像分辨率,采用存储图像块索引的方式合并图像块,采用类IoU的方式合并大于设定阈值的检测框,提升检测召回率。与此同时,尝试分别使用改进的Retinanet和单阶段的Yolov2网络,做速度性能的对比,挖掘新方向,其中使用Yolov2算法模型可以在精确率和召回率略有降低的情况下提升对高分辨率图像的检测速度。在对特征提取部分,本文以Retinanet结构网络为基础,提出了使用逐通道逐点卷积的卷积层设计Xception作为特征提取网络,使用k-means++算法对数据集中球员的尺寸进行统计,取代了 RPN手动提取候选框的做法,削减卷积网络层数。优化基础网络框架可以保证精度不下降的前提下提升速度,使用k-means++聚类出来的图像宽高可以帮助我们更好地去设定anchor的长宽比,根据已有的面积大小去选择在特征金字塔结构中具体选取哪几层用来提取候选框,做到精准定位,削减卷积层层可以在精度不降的前提下提升速度。在损失函数部分,本文一方面提出改进Yolov3中的损失函数,添加Reploss损失函数,增强对候选框的约束,使得针对某一检测物体的候选框更靠近其真实目标,更远离其他候选框和其他真实目标。另一方面通过压缩Yolov3的候选框提取层,实现了在高精确率和高召回率前提下,对于高分辨率小目标的实时检测。