目标检测是图像处理、计算机视觉领域备受关注的研究热点,也是多目标跟踪、目标识别等课题的基础。在过去几年的时间里,随着卷积神经网络的发展,图像目标检测研究取得了长足的进步,精度和速度都得到显著提升。不过在对视频目标检测算法需求更为广泛的车辆自动驾驶、监控与安防等领域,目前的目标检测算法存在着不足。如何实现高性能的视频目标检测算法,在实际应用中有重要意义。因此,本文对视频目标检测进行了研究,并设计了相关算法。主要工作和创新点如下:(1)在视频目标检测过程中,利用视频的时间相似性和空间相似性提高效率。在特征层面,本文在基于光流网络的主流视频目标检测算法的基础上,提出了可变形采样特征流算法,针对目前该类算法中使用光流进行特征传播时存在的变换单一的问题提出改进,使用可变形卷积思想对光流场变换特征的过程进行优化,在几乎不增加计算量的情况下提高了检测精度。(2)在视频目标检测的后处理阶段,本文针对目前很多主流视频目标检测方法后阶段优化计算量大、检测速度慢的问题,提出了隔帧检测框传递算法。在常规非极大值抑制之后进行最优检测分数序列选择且传递检测框,同时改进了算法的特征传播策略,既进一步提高了深度特征流算法的速度优势,同时在精度上也有一定的提升。(3)本文将视频目标检测技术运用在具体任务中,针对车辆自动驾驶的实际问题,自建车载视频前方车辆目标检测数据库LIVA_CAR,并进行实验。本文所提方法在ImageNet视频目标检测数据集和LIVA_CAR车辆检测数据集上进行了实验,性能指标均优于对比算法,证明提出的方法可以有效地进行视频目标检测任务,同时具有较强的鲁棒性。