监控场景下的目标检测是当前研究的热点,主要目的是检测识别出监控场景图像中的特定类别物体。深度学习凭借其优越的性能,广泛应用在图像处理、模式识别等多个领域。基于深度学习的目标检测与识别经过多年的研究,目前发展了Faster R-CNN、YOLO、SSD等多种框架算法及其改进算法,在性能实时性上均优于传统算法,但检测精度和速度仍有较大提升空间。本文针对监控场景图像存在运动模糊、密集遮挡、目标尺寸不一等特点,提出改进算法提升当前目标检测算法精度和速度,再整合成一个完整的检测框架,训练得到最优模型,并应用在监控系统中。本文的主要工作内容和创新点有:(1)提出了目标检测精度提升算法,解决多尺寸目标检测、遮挡、运动模糊及训练中正负样本失衡问题。主要从感受野大小的设定、多尺度分级训练、改进定位损失函数及分类损失函数等方面改进,通过测试模型性能验证改进算法效果。(2)提出了目标检测速度提升算法,解决检测神经网络推断过程速度慢,达不到实时检测的问题。主要从轻量化骨干网络、神经网络帧差法、图像灰度化及合并批量归一化层等方面进行改进,并通过统计模型计算量及在设备中测试验证改进算法的性能。(3)提出了基于目标检测改进算法的监控系统,设计整体网络框架,整合改进算法,并通过数据增强、训练技巧等得到了检测模型,最后将模型部署到设备中,实现实时精准的目标检测功能。