随着社会的发展与进步,人们的生活水平也不断提高,狗在人们日常生活中出现的频率也逐渐增加,越来越多的机构和组织也投入了对狗的研究与应用。其中狗脸图像的多目标检测具有非常重要的研究意义和广泛的应用场景,可以用于犬舍的养殖狗管理,城市中的流浪狗治理,以及个人家庭中的宠物狗喂养。目前深度学习是目标检测识别领域的常用算法,使用卷积神经网络(CNN)进行面部检测已经取得了不错的成果。然而,目前的目标检测算法在小目标以及被遮挡目标的检测方面效果一般,对背景复杂目标检测的难度也颇大。在具有及时性要求的狗脸检测工程化应用中,检测算法必须具有检测小目标和被遮挡目标的能力,在复杂背景下检测目标的能力以及较快检测目标的能力。为了满足狗脸图像检测工程化的要求,本文以SSD(Single Shot Multi Box Detector)网络为基础进行研究,并根据狗脸检测工程化要求进行了改进。本文的创新性工作主要包括以下几个方面:(1)针对SSD网络检测狗脸图像中被遮挡目标和小目标能力不佳的问题,本文提出了基于空洞金字塔模型的DC-SSD网络。DC-SSD网络从SSD的浅层特征图和中深层特征图分别入手,引入空洞金字塔和特征空洞金字塔模型进行改进,有效的提升了网络检测被遮挡目标和小目标的能力。(2)针对DC-SSD网络检测背景复杂目标能力不足的问题,本文提出了基于注意力融合机制的DC-Attention-SSD网络。DC-Attention-SSD网络对提取的狗脸图像特征进行筛选,从空间和通道两个方面减少背景特征的影响,并使用特征融合法增强了狗脸特征的信息,有效的提高了复杂背景下目标检测的准确率。(3)针对狗脸检测工程化所需的检测速度问题,本文提出了使用轻量化卷积代替传统卷积的方法来提升检测速度。轻量化卷积所使用的特殊结构相对于传统卷积能够在保证网络性能的前提下,有效的降低网络运算量,提升检测速度。