在计算机视觉领域中,目标检测是一个基础性的热点研究课题。目标检测是大量高级视觉任务的重要前提,在人脸识别、视频监控、目标跟踪等领域有着重要的地位。由于环境中的光照变化、局部遮挡和物体形变等因素,传统的基于手工设计特征的目标检测算法检测性能容易受到影响。随着深度学习的兴起,近年来人们将目标检测任务和深度神经网络相结合,使得深度学习在目标检测领域以巨大的优势一举超越了传统的视觉方法。基于深度学习的目标检测算法通过大数据学习得到的特征,在性能上大幅度超越了传统的手工特征。虽然深度神经网络相比传统方法更具优势,但也存在明显的缺点:网络模型复杂、训练困难、计算量大,导致实时性差等,因此在实际场景应用中带来了诸多困难。针对这一问题,本文提出了低层特征融合的端到端快速目标检测方法。具体研究内容如下:(1)基于深度学习的目标检测算法研究。对经典卷积神经网络的基本结构及原理进行了深入研究,学习并实现了基于区域建议的目标检测方法和端到端检测方法,对检测结果进行了比较和分析。(2)针对SSD(Single Shot MultiBox Detection)算法精度不高和对小目标检测能力偏差的问题,提出了一种低层特征融合的快速检测模型。改进模型在SSD网络结构的基础上,把基准网络的第三、四层产生的特征图经过正则化后连接在一起,然后通过Atrous卷积层调整分辨率。最后得到小目标所需的特征。另外,该算法还在数据预处理阶段设计了一套有效的数据增广方法。试验结果表明,本文改进算法相对于原来的SSD检测框架具有更高的检测精度和更好的鲁棒性,并且对小目标的检测性能改善明显。