深度学习的发展使得图像目标检测问题取得了突破性进展,而对基于深度网络视频目标检测问题的相关研究还处于初步探索阶段。由于数据采集设备自身的局限性,视频中存在一些不同于图像的问题,如虚焦、运动模糊、遮挡、罕见姿态等,同时连续的视频帧在时序上构成上下文关系,具有图像所不具备的时序信息。本文主要在图像目标检测的深度网络框架之上,利用视频在时序上的帧间相关性,提升难分视频帧的检测效果,并通过融合包含时序信息的多尺度特征图,进一步提升视频中小目标的检测能力,本文还将提出的方法应用到遥感视频的飞机检测中。主要工作如下:(1)提出了一种基于自适应时序修正机制的视频目标检测方法。注意力机制是处理序列问题的常用手段,本方法受注意力机制启发,在视频时序上建模,先利用基础深度网络得到视频中各帧图像的全局特征,然后挖掘相邻帧间局部邻域特征的相关性,以自适应加权方式修正各帧的局部特征,修正后特征包含视频时序上的上下文信息,具有更好的鲁棒性。通过在Image Net VID数据集上验证分析,表明本方法优于通过Faster R-CNN(Faster Region-based Convolutional Neural Network)对视频逐帧进行目标检测的方法,在m AP上提升了8%。(2)提出了一种基于时序多尺度特征融合的视频目标检测方法。特征金字塔网络可以有效整合多尺度特征图的优势,很好地体现在小目标检测方面,本方法借鉴其结构机理,先利用深度特征提取网络得到视频中每一帧图像尺度不同的多级全局特征,然后使用自适应时序修正机制,利用相邻帧间局部邻域特征分别对各尺度特征进行修正,再通过上采样和横向连接将多个尺度修正后的特征图进行融合,融合后特征既包括视频的时序信息,又融合了含有局部邻域相关性的各帧图像多尺度信息。通过与DFF(Deep Feature Flow)等方法的对比实验表明,我们提出的方法提升了视频序列里小目标的检测能力,本方法的m AP比DFF方法提高了1.8%。(3)针对遥感视频分辨率过高、目标较小、尺度变化较大的特点,详细阐述了处理遥感视频目标检测问题的整体流程,介绍了遥感视频帧读取、分块、数据增强、合并等处理方法,并着重分析了不同分块方式对于在分块边缘处目标完整检测的影响。最后,以两段遥感视频为例,分别利用(1)、(2)提出的视频目标检测方法,对含有飞机目标的遥感视频进行了测试,实验结果表明我们的方法能很好地检测出遥感视频中的飞机目标,对小目标也有较好的检测效果。