我国国土面积庞大,有着极长的边境线和海岸线。边境防卫承担着保家卫国的重要使命。目前,我国边海防地区部署了大量的摄像头等视频采集设备,基本采用边海防战士人工处理上报方式对采集的视频进行处理,效率极其低下,不能满足边海防御要求。利用计算机视觉的传统目标检测方法处理视频数据,过于依赖先验知识,当目标存在形变、环境光照等变化时,方法的鲁棒性不高,不符合边境防卫精确检测目标的要求。当前随着大数据、云计算和人工智能技术的发展,尤其是以深度学习算法为基础的自动目标检测与识别技术的进步,使得利用深度学习方法来对边海防图像中的目标进行检测成为了可能。本文开展了基于深度学习的边海防图像目标检测方法研究,主要完成工作如下:(1)首先对基于深度学习的目标检测及其相关技术理论进行了综述,并系统的介绍了基于候选区域的目标检测框架Faster RCNN。(2)提出了一种改进的基于候选区域(region-based)的深度学习目标检测方法。首先,通过对原有的分类结构添加SE(Squeeze-and-Excitation)模块来提高卷积通道之间的相关性,使用可变形卷积替代原有特征提取结构特有卷积层中的卷积模块,提高目标对于形变和不同尺度的适应能力,最终实现目标检测准确性的提升;其次,综合利用Inception结构、深度可分离卷积以及通过位置敏感得分图替代原有检测模型的全连接层结构,实现目标检测实时性的提升。实验证明:本文的检测算法对比已有的Faster RCNN检测模型,可以极大的提高目标检测速度并相应地提高准确率。(3)对改进后的目标检测方法进行了实验和仿真验证,在PASCAL VOC2007和VOC0712数据集上对平均检测率进行了对比,对不同分辨率的图片进行了检测速度的对比,最后在自建数据集上对网络的泛化能力进行实验分析和验证。实验结果表明:本文提出方法优于目前常用方法,满足面向边海防应用的实时性和准确性要求,并在实际场景应用中有较好的泛化能力。(4)完成上述理论方法改进和实验仿真后,文章综合利用QT,Python,Shell,Mxnet,C++等开发工具和语言,设计并实现了一个基于深度学习的边海防目标检测的可视化原型平台,并通过不同的应用场景的测试。