目标检测可能会用到图像处理、模式识别、机器学习等技术,能够对图像或者视频中的物体进行定位和识别,是计算机视觉领域的基础性支撑任务。很多传统的目标检测算法仅适用于简单场景,最新的基于深度卷积神经网络的目标检测算法能利用网络的强大特征提取和抽象表达能力获得更为优异的检测结果,从而满足复杂场景下的处理需求。本文在深入分析国内外目标检测算法的基础上对Faster R-CNN算法进行三个方面的改进,并在PASCAL VOC数据集上验证了算法的可行性,具体改进措施和实验结果如下:(1)优化特征融合方式。对Faster R-CNN算法中特征提取网络和候选区域生成网络的结构和性质进行系统地研究。根据网络结构和数据特点,采用多层特征融合方式提取候选区域。相较原始算法该改进能够将目标检测的准确率提升2.8%,从而验证该方法的有效性。(2)改进候选框筛选机制。通过一个混合的非极大抑制算法筛选和抑制候选区域,以改善Faster R-CNN算法中候选区域生成网络所输出的候选区域质量低、只采用分类分数而没有考虑定位置信度等问题。实验结果表明相比于非极大值抑制算法,采用混合非极大值抑制算法能够将算法准确率提高0.6%。(3)引入超分辨率分析技术,提高对小目标或模糊目标的检测能力。通过基于亚像素卷积的目标检测网络,对分类后的区域有选择地进行超分辨率优化,从而提高由于图像中目标尺寸过小或目标图像区域模糊而难以检测的目标的检测准确率。实验结果表明,改进后的算法达到了81.3%的准确率。