生物资源的保护是维持生态系统平衡的重要前提,而动物资源在生物资源中占据着重要地位。保护动物资源对自然生态系统有着极其关键的作用。人类对动物资源的重视在不断地加强。当今社会,濒危野生动物需要人类定期进行保护,以防止动物物种多样性的缺失。为了更好地保护动物资源,实施对动物进行实时检测,本文将目标检测算法应用到动物图像当中。动物目标检测方法将对目标图像中所出现的动物进行分类以及定位。动物目标出现在图像中的尺寸大小受到远近角度等方面的影响,同种动物可能出现大小不一,近大远小同时导致了常见大型动物在图中呈现出小尺度。在进行检测的过程中,受动物目标尺度大小不一因素的影响,检测算法的检测准确率会降低。为了解决由于动物目标尺寸问题,本文将对不同尺寸大小的动物目标进行研究。针对目标图片中动物尺寸大小带来的影响,本文先介绍多种常用的目标检测系列算法,再进一步研究Faster R-CNN和YOLOv3两种目标检测算法,以动物图像为研究对象,在Faster R-CNN和YOLOv3算法的基础上,进行了两种算法的改进与实验。本论文的主要工作如下:(1)研究一种基于Faster R-CNN模型的改进动物目标检测算法。我们通过融合多尺度卷积特征并引入多尺度上下文信息,来解决图像中动物目标由于尺寸过小现象而引发的误检和漏检情况。高低层特征融合的方式能增强低层特征的语义信息,提升高层特征细节信息。同时引入多尺度上下文信息处理,间接地帮助识别图中动物目标信息,从而提高了动物目标的检测准确率。(2)研究一种基于YOLOv3模型的改进动物目标检测算法。针对两步目标检测算法在检测速率上的不足,本章基于一步目标检测算法YOLOv3,通过聚类分析对本文选取动物目标数据集的先验框进行优化,同时进行多尺度检测的改进,通过调整输入图像的尺寸和增加一层新检测层融合不同层特征来提高动物目标检测精度。在保证较高检测速率的前提下,提高动物目标的检测准确率。