目标检测是计算机视觉领域最重要也是最具挑战的分支之一。相较于传统目标检测算法而言,基于深度学习的目标检测算法展示出更多的优势与发展潜力,并且在多个领域得到应用。深度学习目标检测算法一般利用图像的颜色、纹理、几何等浅层图像信息来构建高级的语义信息,对图像进行特征提取。然而红外图像本身可利用信息少,分辨率低、对比度差、受环境影响大等问题致使图像的浅层信息表达受到限制,进而影响目标检测算法的效果,导致检测过程中出现检测精度低、部分场景检测的漏检率和误检率都偏高的情况。因此,针对以上问题本文将深度学习目标检测算法进行改进,提升目标检测精度,并以此为目的展开研究。主要内容如下:首先,将经典的深度学习目标检测算法分为两大主流进行介绍,并对这些算法的框架进行分析,针对不同阶段检测算法的改进原理进行详细研究,利用公开数据库对目前流行的检测算法进行实验对比,结果表明,基于YOLO系列的检测算法具有更好的检测效果。其次,在YOLOv3算法的基础上引入注意力机制模块,且将特征金字塔的思想与注意力机制模型进行融合,构成了特征金字塔注意力模块。该模块利用多尺度卷积变换和注意力的权值信息,来降低目标的漏检率,进一步提升了对于小尺寸目标的检测性能。全局注意力模块的利用,也使目标的高层特征与底层特征进行融合,加强了不同层级之间信息的交流,更好的学习目标特征,提升算法对于不同目标尺寸的鲁棒性。并将改进前后的算法和其他当下流行的神经网络算法进行对比实验,证明其检测效果的有效性。最后,在YOLOv5算法的基础上引入Swin Transformer模型。Swin Transformer作为一种新的视觉主干网络被提出,该网络在控制计算量的基础上实现了类似CNN卷积操作的局部性,并且实现了对图像特征不同层次的提取,更适合于检测任务。因此利用Swin Transformer网络对YOLOv5进行改进,以实现算法对于更高检测精度的要求。并且针对红外数据集本身数量少,背景简单的问题,将FLIR公司的红外视频信息进行抽帧处理,重新进行排序、标注、建立新的数据集。将改进前后的算法在新的红外数据集上进行训练测试,经过多次参数的调整与性能的优化,改进后的算法有效地改善了原模型中出现的过拟合、梯度消失等问题,且检测准确率提高了3.5%,证明了本文改进算法的有效性。