“工业4.0”时代的到来和《中国制造2025》的制定对我国制造业的发展来说既是机遇也是挑战。目前,制造业生产方式的转型迫在眉睫,更多地将工业自动化技术应用到生产活动中成为制造业发展的必然选择。目标检测是实现工业生产自动化的一项重要技术。本文旨在设计适合工业环境的目标检测算法,解决工业环境下低对比度图像的目标检测。根据低对比度图像目标检测问题的特点,本文提出了级联卷积神经网络检测算法。由于工业应用中难以获取大量的标注图像作为训练数据,因此,本文设计了多个浅层的卷积神经网络用于检测,只需对少量样本进行标注并进行数据增强作为训练数据。本文的级联卷积神经网络检测算法分为三步。第一步是在低分辨率图像上用一个浅层的卷积神经网络进行滑动窗口扫描,提取候选区域。第二步在较大分辨率图像上用两个结构不同的卷积神经网络对候选区域进行进一步识别,完成对检测目标的粗定位。第三步是通过一个相对较深的卷积神经网络对粗定位结果进行校正。为提高检测效率,本文采用了全卷积网络消除重复的卷积计算,加速全图滑窗扫描检测的过程,在定位校正部分采用九分类网络以减少识别次数。提出了一种难分样本挖掘的方法,提高粗定位部分的网络识别能力。本文的实验部分在多组图像上对本文提出的目标检测算法进行评估测试,并将我们的算法与商业软件ViDi、传统的模板匹配算法和现有的基于卷积神经网络的目标检测算法进行对比。以检测准确率和查全率对检测算法性能进行评估,表明本文的算法具有较强的鲁棒性。在使用GPU对算法进行加速的情况下,我们的算法在640×480的图像上运行时间大致为72毫秒。