基于深度学习的物体检测技术已经在当下取得了远超传统机器学习等物体检测方法的性能,但其在数量检测方面仍旧存在一定的难度。本文主要针对Faster RCNN物体检测框架所遇到的问题从两个方面提出了解决方案。除此之外,为了对Faster RCNN物体检测框架进行加速,本文还采用了基于KD(Knowledge Distilling)的方法对Faster RCNN的网络模型进行了压缩。首先,本文分析了Faster RCNN算法框架的缺陷,指出了其在Faster RCNN原始输出数据与后处理算法NMS对输入数据要求之间的矛盾。并提出了一种基于Faster RCNN网络结构调整的改进方案,该方案在很大的程度去除了原始Faster RCNN算法框架所存在的误检框问题,达到了比较优异的性能。其次,本文除从结构改进入手外,也从后处理算法的改进方面对Faster RCNN算法进行了改进。具体的,我们提出了基于图聚类的后处理算法GBS(Graph Based Suppression)与其补充算法CDS(Confidence Difference Suppression),这种算法组合在最终的输出中同样达到了优异的性能。为了降低GBS算法与CDS算法对阈值的敏感度,我们还设计并实现了best-kmedoids算法,该算法使用距离平均和来自动确定kmedoids聚类算法中K值的大小。该算法的性能介于GBS算法与GBS+CDS算法之间。最后,为达到缩短Faster RCNN算法运行的时间问题,我们采用了基于KD的模型压缩算法,在一定程度上对算法算法模型进行了压缩,加快了Faster RCNN框架的运行速度,拓展了算法的适用性。同时,考虑到实际的情况,我们还根据数据集的实际情况对算法的配置进行了一些符合实际的调整。