近几年,对深度学习的研究取得了突破的进展,基于深度学习的物体检测任务在计算机视觉方面有着广泛的应用,如车载影像、机器人导航、无人驾驶等,因此物体检测成为了理论研究和应用的热点。目前,基于单帧的物体检测方法已经取得了很好的效果,但是在基于视频的物体检测中直接使用此方法还存在一些问题,如视频帧中出现模糊、失焦等情况,基于单帧的物体检测方法无法检测出此类物体。因此,本文对物体检测方法进行了研究,利用视频中相邻帧之间存在的相关性,融合了时间信息与空间信息,并对卷积神经网络模型进行改进,使物体检测的准确率得到提高。在基于卷积神经网络的物体检测方面,主要对卷积神经网络YOLOv3方法进行改进。本文通过对YOLOv3方法进行研究和分析,为解决YOLOv3方法对尺度中等或者较大的物体的检测效果不理想,容易出现漏检、误检、重复检测等问题,本文提出了改进的YOLOv3方法,在主网络之后添加两个残差块,与YOLOv3原有的3个不同尺度共同组成包括5个不同尺度的特征金字塔,在这5个不同尺度的特征图上进行预测。通过改进的方法,在检测出小物体的同时提高对中等尺度或大尺度物体检测的准确率。在视频中的物体检测方面,视频中含有丰富的时间信息和空间信息,基于单帧图像的物体检测中未考虑这些信息,无法检测出视频帧图像中模糊、失焦的物体。因此,为了提高物体检测的准确率,本文提出了时空信息融合方法,在本文中首先通过时间、空间信息分别对视频帧图像进行预处理,在时间上使用了光流法,在空间上使用了基于区域颜色对比度的方法,然后使用时空信息融合的方法将时空信息进行融合,最后使用改进的卷积神经网络模型进行物体检测得到检测结果。