目标检测技术是计算机视觉领域的重要课题之一，在诸多智能系统中具有广泛运用。本文提出了基于目标区域估计的高性能目标检测算法，在红外小目标和面目标检测任务中取得了较好的检测效果。
　　本文首先针对红外小目标检测在强杂波下的高虚警问题，提出基于目标区域估计的红外小目标检测算法；算法首先构建了基于全卷积网络的小目标区域估计模型从而得到候选的目标区域；针对估计结果中的高虚警问题，算法进一步构建了目标置信度判别网络，该网络通过SENet结构融合背景抑制前后的图像特征对目标真实性进行判别，最终算法在测试集上实现了96%的检测率的同时保持了较低的虚警数目。
　　针对面目标检测中正负样本的选择问题，本文通过估计目标中心区域克服Anchor匹配机制的缺点。算法首先采用椭圆高斯扩散函数描述面目标的中心区域，并构建了基于U-Net结构的中心区域估计模型。在估计模型中，本文引入了自注意力机制来增强特征的表达能力。针对U-Net输出层的感受野范围难以有效表达较大目标的问题，本文构建了相关性特征金字塔网络，提升了对目标中心区域估计的准确性。
　　最后本文在中心区域估计模型的基础上，提出基于目标区域估计的面目标检测算法。首先针对双阶段检测算法的耗时问题，本文提出区域特征池化算法，加快了对候选目标特征的处理速度；针对目标特征尺度的多样性，本文引入基于空洞卷积的级联结构，提升了模型的感受野；针对Anchor机制先验信息不够灵活的问题，提出对宽高分支的偏差进行级联回归，得到了更精确的目标尺寸；针对多尺度目标的类别预测问题，算法根据目标大小对类别的级联输出进行加权调整；结果表明，区域特征池化算法和级联结构大幅提升了模型的检测性能，在对比的主流方法中，本文所提出的算法实现了最好的检测精度同时保持了较高的处理帧率。