目标检测作为人工智能与计算机视觉中的一个重要研究问题,在视频监控、自动驾驶、机器人导航等多个应用场景中具有广泛的应用价值。本文以目标检测为研究背景,研究了经典的运动目标检测技术和基于深度学习的目标检测技术,并对ViBe和R-CNN进行了重点研究,取得了一定的研究成果,主要内容如下:分析了光学目标检测相关技术。首先,详细介绍了经典的运动目标检测算法,并对帧差法、背景差分法和光流法分别进行了详细的理论描述和优缺点分析;然后,本文从结构、基本思想、理论推导和优缺点等方面对深度卷积网络(CNN)进行了详细描述,解释了深度卷积网络在目标检测中的优势。研究了基于图像序列的运动目标检测的方法。目标检测前通常需要先对背景进行提取,所以先介绍一种基于视觉背景提取(visual background extractor,ViBe)的目标检测方法,然后从原理上分析了经典ViBe算法的缺点,针对视觉背景提取算法中出现的鬼影问题、不能很好适应背景高频扰动和摄像机抖动问题以及由于采用空间邻域扩散机制引起背景更新错误问题,提出一种改进的视觉背景提取算法。该算法结合视觉显著性判断背景模型中存在的鬼影目标,再通过判断背景模型中每个像素点的鬼影程度,结合模糊准则自适应改变时间子采样因子,加快了消除鬼影的速度;通过建立一个闪烁程度矩阵,判断背景高频扰动程度来设置自适应匹配阈值,加入小目标丢弃和空洞填充策略;统计前景像素24邻域区域的像素点个数,判断前景像素点是否为摄像机抖动或者背景更新错误引起的噪点,提高了算法的鲁棒性。最后,进行了仿真实验。实验结果表明,改进算法可以很好地弥补经典ViBe算法的不足,在准确率与识别率等指标上都得到了大大提高。研究了针对单幅图像的基于区域的卷积神经网络目标检测算法(R-CNN)。首先,从算法框架、算法分析和算法实现与设计细节三个方面详细介绍了R-CNN算法。然后,分析了R-CNN算法的不足之处,针对R-CNN在小目标检测表现差、训练要经过多个阶段的缺点,提出了一种基于端到端的训练方法及结合多尺度特征的R-CNN目标检测算法,并详细说明了改进的原理。最后,在VOC 2010测试数据集上进行了测试。实验结果表明,由于改进算法融合了CNN高低层特征,因此在小目标检测上表现出了良好的性能。同时,多任务联合训练以及两次边界框回归的方法进一步提升了R-CNN目标检测的整体性能。