目标检测技术作为计算机视觉领域的核心研究课题之一,是重要的计算机视觉任务。近些年来,伴随着硬件计算能力的提升、大数据集的诞生以及深度学习技术的发展,目标检测性能得到极大提升。其中,深度卷积神经网络由于其结构优势,在图像特征提取方面有着传统目标检测难以比拟的优势,具有强大的特征提取能力和可学习性,能够有效地提取图像特征信息。现有的目标检测方法中,检测精度和检测速度始终无法兼顾,如何又好又快地实现目标的精准检测仍然是广大研究人员的一大难题。本文针对现有的目标检测框架中存在的精度和速度不能兼顾以及对小目标检测效果不佳等问题,在基于候选区域思想的目标检测算法基础上,提出了一种新型的基于卷积神经网络的方法,主要研究内容如下:(1)由于传统CNN网络模型的参数较多,特征图维度较高,导致内存占用大,数据量多,计算成本高,检测花费时间较长,同时也很难部署在内存资源有限的移动设备上。因此为了降低在特征提取阶段的参数,本文在用于提取特征的主干网络上,加上深度可分离卷积层,对特征图进行压缩,从而减小数据量,降低计算成本。深度可分离卷积通过将标准卷积分解为深度卷积与逐点卷积,分两步完成对图像特征的提取与合并,能够降低模型的参数量和计算成本。实验结果表明,增加深度可分离卷积层之后,很大程度上压缩了模型的参数量,降低了内存占用,提高了检测速度。(2)同时,为了避免减少参数量带来的精度损失以及进一步增加网络的检测精度,本文采用了一种基于全卷积网络的关键点检测方法。目标检测方法,最主要的两步操作就是对目标进行分类和定位。传统的目标检测方法,都是采用基于回归的方法对目标进行定位,通过全连接层将特征图映射为一个向量,而本文采用的方法则将目标的候选区域分成一些关键点,并且应用一个全卷积神经网络(FCN)来预测网格点的位置,由于全卷积网络结构的位置敏感性,该方法保证了明确的空间信息,而且关键点的位置也能够在像素级获得。当获得了特征位置的一定数量的点之后,相应的候选框也就确定了。因此,由关键点作为导向的方法能够得到比传统的基于回归的方法更精确的目标候选框。(3)另外,针对检测小目标时存在的易漏检和检测精度不高的问题,本文采用了PS-RoI Align的方法来取代传统的池化方法,提升整个检测系统对小目标的感知能力。同时本文还提出了多尺度特征融合模型。该模型采用反向连接的方式对网络中的多层卷积特征进行融合,采用多尺度RPN网络,最终得到融合了低层分辨率特征和高层丰富语义信息的更有利于描述目标的卷积特征。通过实验验证,融合了卷积特征之后的模型,有效地提升了对小目标的检测能力,同时在一定程度上兼顾了目标检测的精度。