目标检测技术即在给定的图像或者视频中对实例目标进行识别并定位,是计算机视觉领域的重要课题之一,推动了智能监控、人脸识别以及图像分割等领域的发展。目前,基于深度学习的目标检测模型具有小尺度目标检测精度较低和目标重叠遮挡等复杂环境下适应能力弱两个典型问题。因此,该文主要研究目的是分析问题的原因并提出几种高效的目标检测模型,能够有效解决这两个问题,最终提高模型的检测精度。首先,针对小尺度目标检测精度较低的问题,该文提出了一种基于多尺度特征融合的目标检测模型MS-Faster R-CNN,基于Faster R-CNN的基本架构,采取了优化的多尺度特征融合策略,结合FPN金字塔特征提取方法的同时使用了两条链路完成特征融合,使得融合特征的语义更为丰富,能够适应不同尺度目标使用。在候选框推荐阶段使用了级联RPN和优化的NMS方法,使得小尺度目标的候选框不会被过度抑制,提高候选框的推荐效率。最后,采用基于双线性插值法的ROI Align池化技术,避免量化造成精度损失。然后,针对复杂环境下适应能力弱的问题,该文提出一种基于上下文分析的目标检测模型LSTM-Faster R-CNN,采取基于LSTM的全局上下文特征提取方法,上下文特征能够充分表达每一个像素单位的全局上下文信息。接着,在全连接层引入目标关系组件学习候选框之间的关系信息即局部上下文特征,对于每个候选框对应的池化特征都需要融入局部上下文信息。利用融入两种上下文信息后的特征进行目标分类和边框检测能够有效提高模型在目标遮挡重叠环境下的检测精度。最后,该文为了验证两种模型的有效性,分别在VOC2007、VOC2012和MS COCO数据集上进行测验,检测结果中显示,MS-Faster R-CNN能够有效克服小尺度目标检测精度低的问题,LSTM-Faster R-CNN在复杂环境下检测的结果优于其他模型。同时,该文融合了两种模型提出MS-LSTM R-CNN,以此为核心设计并实现了一个基于Caffe和Diango搭建的目标检测系统,用户在浏览器中登陆系统后导入或者采集图片,可以对图片进行目标检测,系统可以将检测结果可视化展现给用户,该系统证明了该文提出模型的实用性。