目前,随着计算机视觉领域理论和技术的不断快速发展,目标检测作为其课题的重要一部分,在视频监控、图像检索、智能家居等多个领域都有着非常重要的地位。如何提高目标检测算法的检测速度和检测准确率成为计算机视觉领域里的一个研究热点。基于传统目标检测的方法通常都是利用手工设计的特征进行后续检测,不但检测速度较慢而且算法的鲁棒性不高。基于深度学习的目标检测算法利用卷积神经网络直接提取特征,虽然避免了手工设计特征的缺陷,但是其目标的检测准确率依然有待提高。因此,如何设计一个高效且检测准确率较高的目标检测算法值得进行深入研究。论文对传统的目标检测算法和基于深度学习的目标检测算法都进行了深入研究,提出一种新的基于深度学习的目标检测算法。本文的目标检测算法较其它基于深度学习的目标检测算法有两个亮点。第一个是改进了NMS算法,改进后的NMS算法利用最高置信度的检测框对其它检测框进行抑制时,不是直接删除其它检测框,而是利用合适的函数来降低其置信度,使其可以继续参与后续的抑制过程。改进后的NMS算法在没有增加任何额外的超参数和算法复杂度的前提下提高了建议框的质量。第二亮点是提出了一种基于多尺度特征融合的特征提取网络,进而构建一种新的目标检测算法。为了解决特征提取过程中分辨率和语义之间的矛盾,该算法提出把本层生成特征映射图进行上采样并与上层特征映射图融合的多尺度特征提取网络。该网络可以生成具有高分辨率和高语义信息的特征映射图,利用该特征映射图构建的目标检测算可以提高目标检测的准确率。为了验证提出的新目标检测算法在实际系统中的检测效果,利用该算法和其它目前主流的算法在公开数据集上进行对比实验。实验结果表明,本文提出的基于多尺度特征融合的目标检测算法与主流的目标检测算法相比不仅具有较好的检测效率,而且提高了目标检测的准确率。