目标检测是指使用计算机实现自动确定图像中目标对象的位置和类别,它也是安防、无人车驾驶、天文等领域中的关键技术之一。但是由于待检测目标具有数量和位置不定、大小不一的特点,目标检测算法的实现难度较大,目前研究领域内尚无公认最优的方法,所以进一步提升当前目标检测算法的精度以及运算效率是有意义的。随着计算机性能的大幅提升以及互联网时代产生了海量数据,深度学习方法迎来了高度发展的阶段。现在领域内检测精度最高、运行最快的模型均使用深度学习方法生成。为了进一步提升目前目标检测算法的性能,本文开展了如下研究:(1)分析多种因素对目标检测算法性能的影响。现代目标检测算法全部将卷积神经网络作为基础组件。但是对于特定领域,很难确定应该如何构建目标检测系统。可以将主流目标检测算法分为两类:单阶段方法和双阶段方法。单阶段运算速度较慢,但是检测精度高;双阶段方法的检测速度满足实时要求,但是精度较低。对于真实的目标检测算法,除了检测精度之外,算法的内存占用量、运算速度也同样需要考虑。所以,本文通过实验分析了特征提取网络、输入图像大小等因素对目标检测算法的检测精度、内存占用量、浮点数运算量的影响,并总结了典型的目标检测算法的特点。(2)依据对典型目标检测算法的分析和对比研究结果,针对单阶段多边框目标检测算法(Single Shot Multi-box Detector,SSD)在以高交并比(Intersection Over Union,Io U)评估检测精度时出现的精度下降问题。本文提出了一种使用转置卷积操作构建的循环特征聚合模型。该模型以SSD算法为基础,使用深度为101的残差网络(Residual Network 101,Resnet101)作为特征提取网络。首先利用转置卷积操作扩大网络结构中深层特征图的尺寸,为浅层特征图引入对目标的高层抽象和上下文信息;其次使用全连接卷积层减少浅层特征图在进行特征聚合时出现偏差的可能性;最后将浅层特征图与表示了上下文信息的深层特征图拼接,使用1x1卷积操作恢复通道数,并重复多次。分析结果表明:通过对比典型目标检测算法的优缺点,研究各种因素对目标检测算法性能的影响,在高精度实时车辆检测场景中,使用KITTI数据集,以交并比(Io U)为0.7评估检测精度,本文在SSD算法基础上提出的循环特征聚合模型与原始SSD相比,检测精度提高了5.1个百分点;与已有的检测精度最高的Faster R-CNN相比,检测精度提高了2个百分点,同时仍保证实时的运算速度。循环特征聚合模型能有效提升平均目标检测精度,生成高质量边界框。