随着计算机存储计算能力的提升和海量图像数据的产生,人工智能也再一次得到了社会各界广泛的关注,成为了国家之间科技竞争的新焦点。而图像的目标检测识别又是人工智能众多应用的基础和关键。目标检测是机器视觉领域的核心问题之一,其任务是找出图像中所有感兴趣的目标(物体),并确定它们的位置和大小。由于各种类型的物体有不同的外观、形状、姿态,还有成像时光照和遮挡等因素的干扰,目标检测也一直都是机器视觉领域中最具有挑战性的问题。传统目标检测时间复杂度高且效果一直难以突破,所以基于深度学习的目标检测算法成为了当下目标检测识别研究的主流。本文主要完成的工作如下:首先,提出融合回归神经网络和单目多目标检测模型(SSD)的图像目标检测模型。引入SeLU激活函数,设计了三层双向并行回归神经网络模型(BPRNN),提高了细节特征的提取能力。将该模型融合到基于卷积神经网络的SSD中,增加其细节特征提取能力,融合CNN和RNN在图像处理中各自的优势,提出了比SSD模型精确度高的图像目标检测模型。最后通过实验验证了融合网络在图像目标检测上的有效性。然后,提出了嵌入挤压-激励块的目标检测模型。结合SENet结构设计了SE-Conv基本块,在此基础上构建了SE-CNN网络模型,并通过在图像分类任务中的实验验证了SE-Conv基本块的有效性。接下来用SE-Conv块对SSD检测模型进行重构并提出SE-SSD模型,更进一步融合改进的双向并行回归神经网络特征提取模型,构建了SE-BPRNN-SSD目标检测模型,并通过实验验证了该网络的有效性。最后,设计了基于SE-BPRNN-SSD模型的视频图像检测应用原型系统。将静态图像目标检测模型迁移到视频图像的实时检测中,利用本文设计的融合模型对真实场景中的静态图像和视频图像进行目标检测,并通过基于Python的Bottle框架设计了视频图像检测原型系统。