目标检测在工农业生产和现实生活中具有广泛的应用,真实的生产生活场景中会存在诸多因素影响到算法的检测效果,如待检测目标的遮挡、待检测目标的背景干扰和光照条件变化等。若检测算法的精度不高或不能满足实时性的需求,算法就很难投入实际应用。传统的目标检测算法都是先根据待检测目标的特点手工设计特征,然后再训练合适的分类器对这些特征进行分类。对于目标检测来说,传统的检测方法难以设计出适用于所有目标的通用特征,因此这类方法的精度往往不高,且检测速度较慢。针对以上问题,基于深度学习的目标检测算法通过深度卷积神经网络来学习各类待检测目标的特征,进而用学到的特征对各个类别的目标进行检测,且检测速度相对较快。本文对现阶段流行的目标检测算法进行了分析,深入研究了深度卷积神经网络的相关理论,对现有的网络模型进行改进,设计出新的适用于目标检测的网络模型。本文的主要工作如下:第一,针对SSD卷积神经网络模型对小目标检测精度不高的问题,提出了一种基于特征金字塔网络的SSD改进模型。特征金字塔网络可以将更深层次的卷积特征图所携带的更抽象、更丰富的语义信息与浅层的分辨率更高、更细节的卷积特征图进行融合,这对小目标的检测非常重要。融合的过程是将原始SSD网络得到的多层特征图,经过本文设计的横向连接层、上采样层和融合层处理,得到融合层的特征图。融合层的特征图经过预测层处理后,用来进行目标检测,再通过非极大值抑制得到最终的检测结果。第二,以经典的VGG模型为基本的网络框架,加入批量归一化、Dropout机制、密集连接等技巧,对网络模型实现改进,再融合上采样和通道拼接技术实现多层卷积特征的目标检测。其中,批量归一化可以使卷积核的每轮的数据输入保持相同的概率分布;Dropout可以使训练时卷积核的网络连接呈现多样性;密集连接可以增加浅层高分辨率特征图的复用。在PASCAL VOC的实验表明,改进后的网络通过多层卷积特征预测机制,精度得到了明显的提高。最后,对实验中用到的训练技巧和遇到的预训练模型问题进行分析和总结。本文结合经典的目标检测SSD和VGG模型,提出了基于深度学习的端到端目标检测方法,一定程度上提高了多类别的目标检测精度。