对称性作为物体重要的全局特征之一,长期以来都是计算机视觉的研究热点。对称性目标检测,就是希望将物体中所蕴含的对称信息提取出来。这些信息一般包括对称目标的位置与类别,如最为常见的平移对称、旋转对称和镜像对称;以及不同类别所对应的几何信息,如构成平移对称的网状晶格(lattice)、旋转对称的旋转中心和支撑域(supporting region)以及镜像对称的对称轴。传统的对称性检测方法往往存在许多问题,比如难以将上述最为常见的三种对称性目标纳入统一的框架下同时检测,难以保证在复杂自然图像中检测的鲁棒性,算法的时间复杂度高,难以运用到实际工程中去。针对传统对称检测方法的问题,本文提出了一种基于深度学习的对称性目标检测方法。文本在现有深度学习网络模型的基础上加以改进,使其更适合对称性目标的检测以及相关对称信息的提取。改进主要包括:(1)针对对称性目标的特性,本文将对称性先验引入网络模型,在网络特定的卷积层权重更新的过程中添加对称性的约束,通过对称性的卷积核指导网络寻找对应的对称性目标。(2)对于自然图像中尺度各异的目标,本文通过池化操作将浅层特征激活响应图像下采样,并与深层特征输出进行组合,以增强特征的信息表征能力,提升网络模型对多尺度目标的检测能力。(3)为了提取对称性目标的几何信息,本文对网络的中间卷积层输出进行了可视化,通过筛选并融合这些中间特征输出,可以鲁棒地得到旋转对称的支撑域、镜像对称的对称轴以及平移对称的网状晶格。为了训练网络模型,本文提供了相应的对称性目标检测数据集,共包含1308幅自然图片。数据集的标注包括目标类别信息以及以外接矩形框形式给出的位置信息。本文通过详尽的实验,证明了本文提出的网络模型能够在复杂的自然图像中较好地检测出对称性目标,结合网络的可视化结果能够准确地得到目标对应的对称几何信息,验证了整体网络模型,以及其中各模块的有效性。