随着计算机科学技术的发展,图片数据的数量正急剧上升,与此同时,视觉是人类感官信息的主要来源,计算机视觉通过模拟人类视觉系统进行计算、感知、认知,逐渐成为重要的研究方向。目标检测是计算机视觉领域的一个基础的视觉识别问题,在过去的几十年里得到了广泛的研究。其目的是在给定的图像中寻找具有精确定位的目标对象,并为每个对象实例分配相应的类别标签。近年来,卷积神经网络的出现极大的提高了目标检测算法的性能,但随着应用场景的不断丰富,实际应用中对目标检测算法的精确性提出了更高的要求。目标多尺度、目标稠密等因素严重影响了目标检测的效果,在此背景下,本文主要研究了两种算法以应对稠密目标检测,内容包括:提出了基于类加权YOLO的目标检测算法。由于水下目标检测面临着图像模糊、尺度多样化、目标稠密等问题,给水下目标检测应用带来很多挑战,本文提出了一种基于类加权YOLO网络的水下目标检测方法,主要思想是在深度网络YOLO的基础上,构造了类加权损失函数来平衡样本难易程度,获得更好的效果,同时引入了目标框自适应维度聚类方法,进一步提升了检测性能,实验结果表明,本文算法与传统YOLO网络相比,在每幅图片包含近20个目标的稠密目标检测任务中,取得了不错的提升。提出了基于注意力机制的多方向遥感图像目标检测算法。遥感技术的迅速发展极大地提高了遥感图像的数量和质量,在此背景下,近年来研究人员进行了大量的有关光学遥感图像目标检测算法的研究工作。由于在检测遥感图像中较为密集的物体时存在俯视角带来的方向随机、高度复杂的背景和物体形态的多样性等问题,基于遥感图像的目标检测是计算机视觉领域一项积极且富有挑战性的任务。本文基于Faster R-CNN,引入注意力模块,以解决密集小目标问题。并采用了图像金字塔的方法,以降低物体的多尺度问题带来的影响。实验表明,本文方法有效提高了多方向遥感图像目标检测算法的性能。