智能化目标检测在机器人导航、智能视频监控、工业检测等领域中具有广泛的应用。为提高智能化目标检测的准确性和精确度,论文针对图像降噪算法、基于候选区域的目标检测算法、基于图像语义分割的目标检测算法三个关键技术进行了深入的研究,主要研究内容如下:针对现有降噪算法在图像降噪中丢失高频信息导致图像纹理平滑的问题,提出了一种由多层卷积自编码网络和特征重构网络组成的复合降噪网络。该复合网络采用跨层连接结构,将多层卷积自编码网络中的特征信息融合到特征重构网络中进行特征补偿,并采用局部寻优再联合全局寻优的方式进行分步训练。实验结果表明,该方法针对高斯噪声和椒盐噪声均具有很好的降噪性能。区域卷积神经网络(Regional Convolution Neural Network,RCNN)要对训练样本图像中的目标完成边框标注后进行网络训练并采用边框回归方法实现目标定位,该方法数据集生成效率低,目标定位不准确,为此提出了基于卷积神经网络和粒子搜索的目标检测方法。利用卷积神经网络提取探测粒子区域的图像特征判定该粒子区域的目标概率,在检测出目标特征的粒子附近放置搜索粒子,并根据最近邻聚类算法用于对粒子群进行聚类并求取外接边框实现目标定位。实验结果表明,该方法的目标识别正确率和定位精确度均能够得到提升。全卷积网络(Fully Convolutional Networks,FCN)和U型网络结构中的下采样操作会导致图像特性信息的丢失,影响图像语义分割的精确度,为此设计了用于图像语义分割的卷积网络模型来提高分割的精确度。该模型采用U型网络结构,引入残差结构避免网络退化问题,设计了多尺度池化的结构进行特征补偿,同时加入正则化层以防止过拟合、加快网络训练,并以条件随机场做后期修正进一步提升了图像语义分割的精确度。实验结果表明,所提出的图像分割方法拥有较好分割效果。完成了基于目标检测算法的机械臂分拣系统的搭建,并将图像降噪算法和图像语义分割算法应用在该系统上进行了实验,验证了本文所提算法的有效性。