我国每年由于粮虫侵虐造成的损失达数百万吨,给国家造成了巨大的损失。由于无法及时发现仓内虫害侵染情况,多采用熏蒸方式减少虫害损失,但随之也带来了一些环境污染问题。基于深度学习的粮虫目标检测方法可以预判仓内虫害的类别和数量,有利于针对性采取措施减少仓内损失。论文采用深度卷积神经网络（Convolutional NeuralNetwork,CNN）技术对粮仓内5种主要的甲虫类害虫进行检测,实现了高精度的检测效果。论文主要研究工作如下:（1）首先研究了粮虫检测常用方法,对国内外粮虫检测文献进行研究,分析了卷积神经网络的模型、结构、算法及应用演变,探讨了Faster RCNN和SSD算法的优缺点以及创新点,为基于深度学习的粮虫图像检测与识别提供了基础。（2）数据集的构建,通过采集5种甲虫类粮虫图像,分别制作了白板背景粮虫数据集和实际储粮背景粮虫数据集,并运用数据增强方法扩充数据集的数量,丰富训练数据,按照PASCAL VOC2007格式进行标注和分配。（3）提出了改进的Faster RCNN粮虫目标检测算法。分析Faster RCNN算法对粮虫目标检测精度不高的原因,提出优化策略,在特征图后增加金字塔池化模块来融合全局上下文信息;采用Focal Loss代替交叉熵损失函数作为分类损失函数解决数据集的不平衡问题。实验结果表明,改进Faster RCNN算法对白板背景和储粮背景粮虫数据集的粮虫平均检测精度mAP分别为89.42%和90.12%,相比较改进前的算法分别提升了0.9%和2.46%,本文提出的改进Faster RCNN检测方法可以更好的检测储粮害虫。（4）提出了MF-SSD粮虫目标检测算法。针对SSD算法对粮虫识别度不高,对SSD算法进行优化,提出MF-SSD目标检测框架以改善在粮虫检测中的漏检和误检问题。该方法采用VGG-16骨干网络进行特征提取,受RFB模块增加感受野的思想,设计MRFB模块来获取更丰富的上下文信息;在多尺度检测部分,引入了多尺度特征层的融合机制有效融合网络结构中的低级视觉特征和高级语义特征,在每个用于检测的特征层增加一个残差预测模块,进一步提高模型性能。MF-SSD算法在白板背景和实际储粮背景粮虫数据集上进行实验,改进MF-SSD算法的mAP分别提升了2.63%和8.68%。