随着人工智能领域和计算机视觉领域的研究发展,目标检测识别技术越来越多的应用到人们的日常生活当中。其中,关于行人与车辆的检测识别应用最为广泛,但是传统的检测识别方法不仅很难提供可信度较高的检测率,而且计算速度很慢,限制了目标检测识别技术的进一步应用。目前对深度学习,尤其是对卷积神经网络的研究正在逐渐改变这种境况。因此针对行人和车辆目标的检测识别问题,研究基于深度学习的解决方案,具有很强的学术价值。在目标检测任务中,很重要的一个环节是目标窗口生成算法。本文在Faster R-CNN的理论基础,使用卷积神经网络的中间特征图来产生候选窗口。为了解决待检测目标尺度变化较大的问题,并降低漏检率,本文在分析网络中间卷积特征图的特点基础之上,提出了多RPN层融合策略,在不同卷积特征图上生成候选目标窗口,增强了对各尺度目标的检测能力。其次,针对目标位置预测问题,提出了对数抑制方法,改进了目标位置回归算法,既避免了误差过大产生的震荡问题,又加快了目标函数在最优解附近的收敛速度。针对卷积神经网络容易出现的过拟合问题,介绍和分析了深度神经网络避免过拟合的方法,包括Dropout层的引入,以及目标函数中正则化项的作用。通过对卷积神经网络中参数的分布情况,提出了对全连接层实施降维的方法。分析了全连接层的数据特点,给出使用稀疏主成分分析算法的合理性,并通过实验对比数据,证明了该算法的有效性。在网络训练阶段,分析对比了网络中参数初始化方法,并对其性能做出对比评价。通过对梯度下降法求解参数原理的分析,并结合实验测试,阐明了参数向最优解收敛的动态过程,给出了学习率等变量调节方法。最后,本文对所开展的研究工作进行了总结,并展望了下一步的研究工作。