目标检测是计算机视觉领域最热门的问题之一,广泛应用于人脸检测、安防监控、人机交互、虚拟现实等诸多领域,具有重要的现实意义。目标检测的目的是在图片中找出感兴趣的对象并指出其位置。然而在检测过程中由于光照变化、物体遮挡、边缘模糊、计算开销等问题,目标检测的发展受到较大的约束。本文针对目标检测的国内外研究现状进行了总结,并对现有的问题进行了分析。然后,详细介绍了传统的目标检测方法和基于深度学习的目标检测方法,并结合本文应用介绍了相关文献。在此基础上,提出了基于Faster R-CNN的小目标交通标志检测算法和基于机器视觉的抗干扰零件快速检测算法,提高了目标检测的精度和速度。最后,本文对研究内容进行了总结和展望。本文提出了一种基于机器视觉的零件快速检测算法。首先,采用高斯滤波、灰度转化、边缘检测等方法对图像进行预处理;其次,通过椭圆拟合,提取零件的边缘信息;然后,针对不同零件对边缘进行筛选,得到感兴趣的边缘信息;最后,对边缘进行信息提取、区域增减等操作。实验表明,该方法有效解决了零件反光以及边缘信息冗余的问题,具有较高的准确性。本文提出了一种基于Faster R-CNN的小目标交通标志检测算法。针对小目标尺寸过小、边缘模糊的问题,采用卷积特征图反卷积、改进Anchor机制的方法获取更多的正样本,并采用错位滑窗的方法降低检测系统的计算开销;针对小目标数量过多、标注困难的问题,提出基于弱监督学习的检测框架,克服了目标检测过度依赖训练样本的问题。该算法在BDCI数据集上取得了较好的效果。