高分辨率图像画面清晰、包含信息丰富,但是实际生产生活中得到大多数是携带信息少、尺寸较小的低分辨率图像。而低分辨率图像主要缺失了高频细节信息,导致对其后续的目标检测问题一直难以解决。低分辨率图像重建技术能恢复低分辨率图像缺失的高频细节信息,所以为低分辨率目标检测问题的解决提供了可能。本文重点关注基于深度学习的低分辨率图像目标检测算法,主要做了以下工作:本文基于多尺度残差网络(MSRN)提出了一种多尺度稠密连接网络(MSDN),进行了以下优化:为了能充分利用高低分辨率图像间的结构相似性,获得质量更好的高频信息,使用空洞卷积代替普通卷积,增大了卷积核的感受野,获得更高层次的语义特征;为了能完全有效利用各个阶段的特征,使用了稠密连接结构,让低级特征和高级特征进行融合,缓解了低级特征在深层网络中容易消失的问题,同时缓解了梯度消失的问题。为了解决低分辨率图像目标检测,本文提出了一个结合低分辨率图像重建模型和目标检测模型的网络(MS-YOLO)。在所提出的网络中,对于输入的低分辨率图像先进行重建,再将重建结果作为目标检测算法的输入,为了能丰富目标检测的可用特征,提出了多尺度特征映射模块(MSFM),使用Conv-Leaky Re LU-BN组合的模块进行特征映射,将映射后的多尺度特征和目标检测算法提取的特征进行融合,增加目标检测精确度。本文将MSDN和其他经典重建算法分别在客观指标和主观指标上进行对比实验,着重关注了重建图像的高频细节,并分析了MSDN和MSRN的模型复杂度,实验和分析结果显示MSDN网络具有简洁且重建效果较好的特点,同时将MS-YOLO和其他目标检测算法在低分辨率图像下进行对比实验,重点关注目标检测精度的提升,实验结果表明MS-YOLO能有效解决低分辨率图像目标检测问题。