随着芯片技术的发展,用于获取光学图像与视频的设备越来越多,比如摄像机,无人机,手机等,如何从大量的图像和视频数据中得到感兴趣的目标,具有十分重要的意义。其中,图像目标检测需要在图像中识别和定位出特定类别的目标,可以作为视频目标检测的基础技术,因此本文主要研究了如何利用深度学习和循环序列学习来对图像和视频进行目标检测与识别,首先提出了一种图像的目标检测方法,然后在此基础上,设计了两种视频目标检测方法。1.提出一种基于金字塔空洞卷积网络的图像目标检测方法。该方法基于单步多框检测器SSD进行改进,针对其产生的浅层特征图表达能力不强的问题,设计多尺度金字塔空洞卷积模块,使其能够学习目标不同尺度的信息,另外,改进了传统的残差块,加入空洞卷积层,对深度特征进一步特征提取,从而产生多个尺度特征图用于检测。该方法在光学图像数据集VOC和遥感图像数据集NWPU VHR-10上进行实验,通过设计的模块,精度逐步提升,并与现有一阶段目标检测算法SSD,YOLO v2,两阶段目标检测算法FPN,RFCN等进行对比,获得了较高的精度,表明了该方法的有效性。2.提出了一种基于跟踪轨迹候选解生成的视频目标检测方法。该方法针对使用单帧图像目标检测器检测每帧图像后出现的漏检和误检问题,分别使用设计的跟踪模块和修正模块进行解决。其中利用跟踪算法生成跟踪轨迹候选解,可以捕捉到由于目标运动模糊或者遮挡而漏检的目标。另外,设计的假阳性分析策略,由于关联帧之间的上下文关系,能够删除误检的目标,提升视频目标检测的精度。该方法在Vis Drone和Image Net VID视频数据集上进行实验,通过添加的模块,提高了目标召回率和精度,并与其他基于后处理的视频目标检测方法Seq-NMS,T-CNN,端对端算法FGFA进行对比,获得了较高的精度,验证了该方法的有效性。3.提出了一种基于循环序列学习与金字塔空洞卷积的视频目标检测方法。该方法摒弃检测速度慢的多阶段的视频目标检测框架,基于循环序列学习建立端对端的检测网络。其中,设计长短时记忆模块,使其能够学习每帧图像特征之间的时序关联,从而增强每一帧图像的特征表达,另外,为了提高多尺度目标的检测精度,使用多尺度金字塔空洞卷积模块,对浅层的特征学习多尺度目标信息。该方法在Image Net VID和Vis Drone视频数据集上进行实验,并与其他视频目标检测算法DFF,FGFA,STMN进行对比,获得了较高的精度,证明了所提出方法的优越性。