物体识别是计算机视觉中的一个研究方向,也是当前比较热门的研究领域。在人们的需求不断增长的今天,物体识别在安全、科技、经济方面正在起着举足轻重的作用,安防领域和交通监管部门也对物体识别提出了迫切的要求,所以研究物体识别对社会的未来有非常重要的意义。2006年一种新的方法深度神经网络的出现,标志着以深度学习为新纪元的时代的到来,卷积神经网络作为深度学习方法之一,凭借着优秀的性能和无限的潜力成为了竞相研究的对象,并且已经在图像识别领域取得巨大的成功。因此,基于卷积神经网络的物体识别已经成为了物体识别领域的一个研究热点。本论文重点阐述了一个改进YOLO的卷积神经网络模型,改进后网络性能得到了较为明显的提升,具体的工作如下:1.改进的模型修改了YOLO网络的损失函数。改进YOLO的模型将比例的形式替换了原有差值的形式。相对于旧的损失函数,新的损失函数显得更加灵活,对网络误差的优化更合理。2.改进的模型在YOLO网络中增加了1×1的卷积核。这样就减少该层的参数数量,使网络各层提取的特征过渡更加平滑。3.改进的模型采用了新的inception结构。因为Inception结构本身就有加深和加宽网络的能力,并且在增强网络性能的同时,还能减少网络参数的数量。4.改进的模型添加了一层时空金字塔下采样层,这样就能更充分地利用原图像中的信息,增强网络的识别性能。另外,由于时空金字塔下采样层本身具有的优势,使得网络在时间性能上也有提高。最后,在pascal voc2007数据库和pascal voc2012数据库上对改进YOLO的卷积神经网络进行了实验,并用混淆矩阵、时间复杂度和信息可视化三种工具对实验数据进行了分析和总结。实验的结果表明,改进YOLO发网络无论在识别性能方面还是在时间效率方面都领先于其他网络,并且在国际领先水平的网络面前也有一定的竞争能力。由于在时间性能上的良好表现,所以本文将该网络模型的研究成果投入到实际应用中,开发并实现了一个改进YOLO的卷积神经网络系统。