目标检测是计算机视觉和图像处理中一个重要的研究领域,随着大数据时代的到来,基于深度学习的目标检测方法成为了研究的热点,虽然检测精度远超过传统的方法,但是仍然无法同时满足对于实时性和准确性的要求。为了平衡网络模型的大小和检测性能,本文采用轻量级网络MobileNet进行深度特征学习,并结合SSD框架来实现目标检测,MobileNet结合SSD能够有效地对网络模型的大小进行压缩,并提高检测速率。但是在回归过程中,该模型所使用的Smooth L1函数不能很好地反映预测框与默认框之间的重叠情况,在实际场景中会存在漏检和定位偏差的问题;另外MobileNet-SSD网络模型采用特征金字塔思想进行多尺度目标检测,只有Conv11层中的特征信息用于小占比目标的检测,因此存在特征提取不充分,小占比目标检测率较低的问题。针对以上问题,本文研究的内容主要创新点如下:(1)针对MobileNet-SSD回归算法中的损失函数不能很好地反映预测框和默认框之间的重叠情况问题,本文提出使用改进的交并比参数Io U作为损失函数对目标包围框进行回归,首先分别计算预测框B与默认框B’的面积S和S’以及重叠面积S~I;然后找到包含预测框和默认框的最小区域C并计算C的面积S~C,计算出预测框和默认框的Io U;最后使用Io U减去C中没有覆盖预测框和默认框的区域的面积,得到改进之后的Io U,最终形成新的包围框回归损失函数。实验表明,在VOC2007数据集中,当阈值设置为0.5时,AP值提高了0.024;当阈值设置为0.75时,AP值提高了0.046。(2)针对MobileNet-SSD网络模型低层特征提取不充分,小占比目标检测率较低的问题。本文首先在MobileNet-SSD网络结构的Conv11层之后引入空洞卷积,设置空洞率为4,在维持空间分辨率的同时提升低层特征图感受野;然后在特征映射策略中,将模型输出后的图像作为候选区域进行默认框映射,增强低层特征的表达能力。实验证明,在数据集VOC 2007中,本文模型在目标复杂度较高的图像中的检测率可以提高到81.1%,表明对于小占比目标检测能力得到提升,检测精确度m AP能够达到81.3%,有效地提高了模型的检测性能。