机器视觉是工业生产和人们日常生活中的重要组成部分,近年来在自动驾驶、机器人自主定位、人脸检测等多个领域得到了广泛的推广和应用。目标检测是机器视觉领域的一个重要分支,随着视觉行业对目标检测实时性要求的提高,传统的目标检测方式已经不足以满足生产生活上人们的需求。随着大数据时代的到来和计算机运算能力的显著提升,以深度学习为首的智能算法正在日益颠覆日常生活中的一切,卷积神经网络作为深度学习模型中的一种,在人脸识别领域的准确率达到了97.52%,比人类肉眼更精准,因此结合深度学习在图像识别领域的出色表现,研究基于深度学习算法的目标检测具有重要的意义。本文围绕基于深度神经网络的目标检测方法进行研究,针对目标检测过程中候选区域的提取,卷积神经网络采样层的激活函数,反向传播过程中的梯度下降法,网络学习率和损失函数进行研究和改进。主要内容如下:首先,针对目标提取算法传统方式遍历花费时间长,产生冗余候选区域多的问题上,研究现有的目标候选区域提取算法,结合图像分割算法对基于穷举法的滑动窗口策略进行改进。通过基于临近图的融合算法将图像分为多个无重叠子区域,构建像素点的坐标,像素点的值的二元函数精准计算图像特征的信息。其次,针对深度神经网络的激活函数在梯度下降过快时导致的神经元假死问题,通过引入局部因子对函数进行重构,针对随机梯度下降法更新不稳定的问题,引入惯性动量建立当前梯度与前一时刻梯度值的关联。然后,针对卷积神经网络在训练过程中因为学习率由人工调节,不够灵活而产生的震荡问题,通过研究学习率对训练速度和模型最终预测精度的影响,通过对AdaGrad算法的改进,建立学习率与梯度的函数关系。结合训练过程中累积梯度的大小对当前学习率进行自动调整,评价函数基于最大熵原理使用交叉熵损失函数替换均方误差函数进而减少计算量。最后,针对训练集样本数量过少,训练不充分的问题,采用迁移学习的方式在ImageNet,PPC等大型图像标准库上对改进的深度神经网络模型进行预训练。再通过自己的数据集对训练后的网络进行高层特征的提取,最后使用预测数据集证明其准确性和实时性是否满足要求,并对基于本文的目标检测方法的结果与其它算法的预测结果进行比较。