目标检测算法作为计算机视觉领域的基本任务之一,近几十年来得到了广大学者的广泛研究,产生了一系列优秀的研究成果。图像目标检测任务在过去几年间取得了巨大的进展,检测性能得到明显提升。但在视频监控、车辆辅助驾驶等领域,基于视频的目标检测有着更为广泛的需求。由于视频中存在运动模糊,遮挡,形态变化多样性,光照变化多样性等问题,仅利用图像目标检测技术检测视频中的目标并不能得到很好的检测结果。如何利用视频中目标时序信息和上下文等信息成为提升视频目标检测性能的关键。现有视频目标检测技术通常存在运行缓慢、漏检率高、准确率低的问题。本论文将可分离卷积、残差与金字塔结构、注意力机制、进化算法、模型剪枝算法改进并应用于视频目标检测任务中,以提高视频目标检测模型的检测精度及运行速度,从而促进视频目标检测技术的发展。本文的研究内容如下:1.针对小目标检测困难、模型计算复杂度高的问题提出了一种基于多尺度融合与残差金字塔网络视频目标检测算法,称之为MRDS-FPN。本方法首先引入可分离卷积减少参数量和计算复杂度,利用堆叠可分离卷积残差结构以提取基本特征,设计特征金字塔的结构方式融合网络的多尺度特征,增强特征表达能力,利用特征提取子网络结合光流网络以提取图像信息和其运动信息,并与R-FCN检测子网结合来实现视频目标检测任务。本方法通过网络结构的设计有效地解决了视频目标检测技术中的两大难题。使用数据增强后的Image Net VID数据集进行实验,并与其他最新的视频目标检测算法进行对比。实验结果证明了本方法从网络结构的设计角度出发解决视频目标检测问题的有效性。目前该算法存在的问题是需要进一步改进网络结构的设计,在优化检测速度的同时进一步提高检测精度。2.针对视频目标检测数据集中存在大量的运动模糊,遮挡,形态变化多样性等问题,提出了一种基于注意力机制和加权残差金字塔网络的视频目标检测方法,称之为AWR-FPN,在降低模型计算量的同时提高网络的特征表达能力。该方法在多尺度融合残差金字塔网络MRDS-FPN的基础上,在特征提取阶段引入选择注意力机制。得益于残差结构和较深的网络层数,残差网络能较好地专注于目标类别所在的特征图区域,在此基础上,引入通道注意力模块对特征通道之间的相互关系进行建模,通道注意力的作用使得分类网络能更好地区分无关特征,抑制影响分类结果的其他信息。通过对特征图中不同通道赋予不同权值来进行通道选择,抑制背景信息,增强前景信息,达到精修特征的目的,进而提高整体检测精度。在检测算法中,选用分类特征更加精确的特征提取网络将有助于之后的分类及回归预测。最后使用数据增强后的Image Net VID数据集进行实验,并与其他最新的视频目标检测算法进行对比。实验结果证明了本方法从网络结构的设计角度出发解决视频目标检测问题的有效性。目前该算法需要精简网络结构,以提高模型的检测速度,提高实时性。3.针对视频目标检测算法运行缓慢的问题,提出了一种基于注意力机制和进化剪枝卷积网的视频目标检测方法。该方法提出一种全新的基于进化算法的剪枝方案,并将其应用于第三章构造的AWR-FPN网络,通过进化剪枝算法去除网络中冗余的滤波器,从而实现卷积神经网络加速。通过对训练后的注意力加权残差金字塔网络使用剪枝算法去除网络中存在的大量冗余的卷积滤波器,减少网络的过拟合风险,大幅精简网络结构,更少的参数量使其更易部署在嵌入式设备中,同时使得推理速度显著加快。使用进化算法优化剪枝方案,将待剪枝的滤波器进行联合编码,灵活性强,且充分利用滤波器之间的关联性,在加速网络的同时提高网络性能。最后在数据增强后的Image Net VID数据集上和对比方法进行详尽对比以验证方法的有效性,同时将本方法申请的国家发明专利。该算法还需解决的问题是如何优化网络的训练。