基于深度学习的目标检测是计算机视觉领域研究的重要方向,在实际场景中应用也极为广泛,包括人脸检测、自动驾驶、医学诊断等。传统的目标检测方法主要致力于实现更高的分类正确率,使得目标定位更为准确,将误分类情况下的代价看做是相同的,然而这与实际情况是不相符的。在实际场景中目标存在着不同的类别与重要性,不同类型的误分类将会引起不同量级的代价,这就是代价非平衡性问题。同时,由于目标检测的顺利完成需要较为充分的信息,其也是一个多阶段的决策过程,在信息不充分时需要等待目标信息增加到一定范围后才能有效决策,这就是信息非充分性问题。在目标检测的实际应用中就存在着代价非平衡性问题和信息非充分性问题,这也给传统的目标检测方法带来了一定的挑战。为了有效解决目标检测中的以上问题,本文提出基于深度学习的多粒度序贯三支决策目标检测方法（MGS3WD）,在粒计算、序贯三支决策与代价敏感学习的研究基础上给出最优决策方案。首先,本文对基于深度学习的目标检测方法进行分析,讨论Faster R-CNN中深度卷积神经网络的基本结构与区域候选网络的工作原理,给出提取目标特征的有效方法。其次,本文将目标检测视为多阶段的决策过程,从粒计算的视角来将目标信息由粗粒度到细粒度的过程看做序贯决策过程,在信息不充分时引入三支决策中的延迟决策方法来解决信息非充分性问题。然后,本文基于代价敏感学习方法,定义整个决策过程中的各类代价,给出寻找全局最小总代价与最优决策的方法来解决代价非平衡性问题。接着,本文基于Faster R-CNN目标检测方法,在Pascal与COCO系列目标检测数据集,利用VGGNet和Res Net等目标特征提取网络设计实验,在代价、错误率、运行时间等方面综合比较所提出的方法对传统二支决策的优势。最后,本文对所提出的方法在目标类别、平衡系数、样本数量、代价设定、检测阈值变化时的表现进行评估,证明其在给定实验条件下均优于传统二支决策且能有效解决代价非平衡性问题和信息非充分性问题。