目标检测作为计算机视觉技术的一个重要分支和基础,在视频监控、无人驾驶和人机交互等方面具有重要的应用价值和研究意义。随着深度学习原理的不断发展,基于该原理的目标检测技术逐渐引起人们的热切关注。然而目前在目标检测技术中通常使用候选框对目标区域进行筛选,这种方法造成了候选框的冗余进而导致网络计算复杂度增加。为了解决这个问题,本文在综合目标检测国内外相关文献基础上,针对基于关键点的目标检测算法进行了深入研究。本文的主要研究内容如下:(1)针对基于关键点的目标检测方法进行了分析。由于传统目标检测器已无法满足人们对检测精度的要求,本文将基于关键点的人体姿态估计算法引入到目标检测中,消除了以往目标检测工作中大量使用锚框的弊端。(2)研究了沙漏网络模型的结构,认为其在推理阶段消耗了大量时间,从而导致网络在检测时无法达到实时性。本文提出了一种新型的精简沙漏网络(Refine Hourglass Network)结构,为了达到减少网络的参数计算量通过改变原沙漏网络的结构,引进了火灾模块(Fire Module)。通过在实验中对比增加模块对效率的影响,结果表明精简沙漏网络的检测效率明显提升。(3)为了更进一步改善网络在权衡推理时间和准确率方面的问题,本文提出了一种基于中心关键点的判别方式生成目标的检测框。区别于其它的关键点目标检测算法,本文算法仅仅使用物体在中间位置的关键点信息,即中心关键点。本文认为中心关键点信息不仅能够反映目标的全局信息,而且通过减少关键点数量使得网络在检测时的推理时间和准确率得到显著提升。最后在MS-COCO公开数据集上进行了实验验证,结果表明所提算法相比其它基于关键点的算法结果有所提升。