目标检测是很多计算机视觉任务的基础,关于它的研究对智能交通、智能监控、军事制导以及医学手术等领域的发展有着极其重要的作用。早期的目标检测算法大多都是基于手工设计的特征基础之上的,无法有效的表示图像特征。近年来,由于卷积神经网络(Convolution Neural Network,CNN)的提出,有效地克服了传统图像目标检测方法的局限性,已经成为目标检测研究领域的热点。该文基于对目标检测技术的国内外研究现状及现有算法的认真分析,结合CNN相关的研究理论,在经典目标检测框架基础上,提出了一些改进策略,论文主要工作包括:(1)针对经典CNN中卷积单元几何建模能力较差、ReLU(Rectified Linear Unit)激活函数容易导致神经元死亡的问题,提出了一种基于自适应感受野的DP-SSD(Deformable Parametric Single Shot Multibox Detector)目标检测方法。该方法在经典SSD框架的每一个池化层后面增加一个可变形卷积(Deformable Convolution,DC)结构,同时引入参数化线性修正单元PReLU(Parametric Rectified Linear Unit)代替原始ReLU激活函数。(2)为了提升经典目标检测模型Faster R-CNN的检测精度,在Faster R-CNN框架中以残差网络(Resnet)代替VGG-16作为基础特征提取网络,优化网络性能;同时结合深度可分离卷积(Depth wise Separable Convolution)减小网络复杂度和计算量,提升模型检测速度,基于此提出了一种改进的Faster R-CNN目标检测算法。将改进算法应用于公开PASCAL VOC和COCO数据集,进行目标检测实验,通过实验数据分析可知,改进算法能够有效改善原始算法存在目标漏检、神经元死亡、训练过程不稳定等问题,提升了算法的检测性能。