大数据时代图像海量数据增长,促进了机器视觉技术的突飞猛进,利用技术手段对图像数据进行整理与分析,从而获取有效的图像信息具有重大意义。一幅图像的信息主要由各个图像子元素构成,如普通家庭场景中的桌椅、人物、动物等,唐卡图像中的各种不同的主尊等,这些图像子元素就是图元。不同的场景图像中具有不同的图元,但是图元的底层特征相似相通,本文基于目前深度学习的目标检测技术提出了一整套方案,适用于在不同的场景图像中有效提取场景图元。本文的主要贡献如下:(1)提出了基于SSD算法的改进型模型,提高了模型的准确度。梳理分析了当前目标检测技术的发展历程和技术前进方向,总结了各项技术的特点和成果后,提出了基于SSD算法的图元提取模型,并优化了基础网络和损失函数,使得模型的准确度从原生SSD算法在PASCAL_VOC2012数据集中的mAP值72.4%提升至76.1%。此外,通过使用参数化构建的方案自定义了头部网络,使本方案在应用中易于修改,从而平衡了任务规模和头部网络的层数。(2)通过创新性的数据增强方法和训练优化策略有效的提升了方案的效率和泛化能力。阐述了本方案的图像数据预处理和一系列的数据增强手段,并创新性的采用数据热供给的方式取代了传统的先扩充数据然后再输入到模型的方式,进一步提高了数据增强的效果。在模型训练阶段针对学习速率的设定和在训练周期中的变化进行了优化,增高了模型的训练效率,并采用混合精度训练的方案,使得在模型训练中减少了37%的显存占用。(3)在唐卡场景图像下应用和验证了本方案。介绍了唐卡图像的文化背景,从数据集的准备到迁移学习的实现两个方面,阐述了本方案在不同的场景中的应用方法,并展示和分析了实验结果和部分细节,从而证明了本方案的泛化性能。