现阶段大量的数据图像处理技术广泛应用于医学、交通、自动化等诸多领域。在这些图像中,某几类或者某几个目标是我们比较关心的。把这些目标从图像中自动检测出来,这就是目标检测,它是计算机视觉的重要分支,也是很多高级计算机视觉研究的基础。但计算量大、鲁棒性不好给目标检测工作带来了巨大的挑战。卷积神经网络系统由于自身独特的结构在图像识别领域有着很强的优越性。作为深度学习数学模型的一种,它通过对输入图像特征的自学习,使得其检测效果远远高于传统的人工设计图像特征的模型。本文设计了一个基于卷积神经网络分类器和快速卷积的目标类别检测方案。该方案检测速度快,漏报率低,比较适合误报不敏感的场景。在进行实验的时候,选择了应用性很强的行人检测作为实验内容,并自建了一个近万张图片的数据库进行实验。从实验速度角度来看,好于现有的深度学习算法,也证明了该方案还有着极低的漏报率,也能够很好的处理互相遮挡等复杂的情况,具有很好的鲁棒性。