随着卷积神经网络(Convolutional Neural Network,CNN)的提出,基于卷积神经网络的物体检测在越来越多的领域得到应用。在物体检测领域,基于卷积神经网络理论日趋成熟,越来越多的优秀算法都是在卷积神经网络的基础上进行改进,例如Fast-rcnn、Faster-rcnn、YOLO、SSD等。其中单发多框目标检测(Single Shot multibox Detector,SSD)模型是利用单一深度神经网络方法来检测图像中的物体,将检测到的物体框住,输出边框。这些边框是在SSD模型中不同的结构上生成,每个框都有不同宽高比和大小,从而选择出最适合当前物体图像宽高比和大小的框。在预测阶段,要计算出框中物体属于每个测试类别的得分。同时微调边框位置,使其最符合物体外接矩形。SSD通过结合不同分辨率的特征图,能从多个分辨率下匹配出同一个物体。SSD模型优点是实时性好。但是,SSD模型还存在对光照和阴影处理不足,不能准确地识别出图像中小物体的问题,这些问题限制SSD模型对物体检测和识别的精度。本文提出改进SSD模型,对SSD模型存在的问题进行改进。改进SSD模型计算流程:首先对图像使用HOG算法进行预处理,减少光照对物体识别的影响;然后在SSD模型基础上,添加区域推荐算法和反卷积层,在物体检测阶段,使用区域推荐算法可以快速识别物体和背景。在物体识别阶段,使用改进后的VGG算法,通过添加反卷积层能更好地解决同一物体在不同大小情况下的识别精度、物体像素大小归一化和对小物体的精度低的问题;最后在模型训练阶段,阐述改进SSD模型训练的5个任务,并使用自然随机梯度算法减小训练中的误差。本文实验包含对改进SSD模型的物体检测算法和训练集大小对物体检测精度的影响,在不同的数据集上进行测试得出相应的实验数据。对YOLO、SSD物体检测算法进行对比实验,通过实验得出数据,并对实验结果进行分析。最后设计基于改进SSD模型物体检测的软件,对软件进行测试和运行结果展示。综上所述,改进SSD模型降低光照对图片的影响。通过在原先SSD模型基础结构上加入反卷积层,提高对小物体的检测精度,同时减少同一个物体被多个检测框检测的概率。这种改进方法提高SSD模型的计算效率,更符合实际应用中的要求。