随着国内汽车市场的需求不断扩大,汽车的生产效率面临着一个巨大的挑战。焊接是汽车生产的一个非常重要的环节,虽然目前焊接机器人已经应用于汽车生产线上,但传统的焊接机器人采用的是人工示教的方式进行工作,机器人本身并不能智能识别出汽车门板焊点的位置和种类,这大大降低了汽车焊接生产线的生产效率。为了提高生产效率,本文研究了深度学习相关的目标检测算法,并将其应用于汽车门板焊点的位置检测上。本文的研究内容包括以下三个部分:首先,本文深入研究了神经网络与深度学习的相关理论知识。主要包括人工神经网络的基础、人工神经网络改进的学习方法、常用卷积神经网络架构、深度学习的优化算法等。常用的卷积神经网络架构能提高目标检测的性能,深度学习的优化算法可用来提高神经网络的训练效率。其次,本文研究了基于候选区域的Faster R-CNN算法和基于回归的YOLO算法在汽车门板焊点位置识别上的应用成效,使用同一数据集和实验环境,主要从其对焊点的识别准确率和检测时间两个方面进行验证,判断其是否能满足生产实际要求。最后,针对Faster R-CNN算法、YOLO算法所面临的无法平衡对焊点的识别准确率和检测时间的问题,研究了基于区域概念的SSD算法对汽车门板焊点位置的识别效果,然后对于本文研究例的特殊性,提出了针对小目标检测的改进方法。经过实验可以得出结论:改进SSD算法在保持较高识别准确率的基础上,能够快速的对目标进行检测识别,能满足生产过程中对实时性和准确性的要求。