目标检测一直是图像处理和计算机视觉领域最基本和最具挑战性的热点问题之一。无论是在可见光场景还是红外场景下,目标检测都有着非常广泛的应用,如自动驾驶、智能监控和军事侦查等。目前可见光场景下使用基于深度学习的目标检测算法已经取得了突飞猛进的发展,而在红外场景下的应用推进较慢。相比可见光图像,红外图像缺少颜色、纹理等特征,具有信噪比低、对比度低和分辨率低等局限性。传统方法使用的手工提取特征很大程度上依靠经验且适应性较差,而基于深度学习的方法具有强大的自动特征学习能力,能够提高检测的精度。本文对基于深度学习的红外目标检测算法进行了深入的研究,研究实现了两种基于深度学习的红外目标检测算法,并分析和验证了两种算法的效果。针对Faster R-CNN目标检测算法精度高但速度慢,而MobileNet轻量化网络能够提高检测速度但导致精度下降等问题,研究实现了一种改进的RF-Faster R-CNN算法,实现了在提高检测速度的同时保证了检测精度。具体而言,对于深度可分离卷积,首先通过通道剪枝和分组卷积减少了计算量与参数量,接着利用提出的融合通道混洗FShuffle增强了网络跨通道信息交流能力。然后引入残差结构提高了网络的泛化能力。最后利用改进的深度可分离卷积结构搭建了RFMobileNet基础网络,并进一步构建了RF-Faster R-CNN红外目标检测框架。实验结果表明,RF-Faster R-CNN算法相对于Faster R-CNN算法具有更快的检测速度,同时检测精度得到了一定的提升。针对SSD目标检测算法在红外场景下出现的漏检和边界框形变等问题,研究实现了一种改进的RFSSD算法,其中基础网络采用了上述改进的基础网络RFMobileNet,以提高算法的检测速度。针对红外目标特征信息较少,特征提取不充分的问题,设计了感受野模块（RFB-w和RFB-d）,通过膨胀卷积以及多尺度特征提取与融合,进而提取到更充分的语义信息,以提高对小目标的检测能力;针对边界框形变问题,提出了SIOU损失函数,通过对边界框长宽比相似性的计算,以增加对边界框形变的度量,保证了目标边界框尺度的一致性。实验结果表明,RFSSD算法相对于SSD算法有效改善了漏检和边界框形变问题,对小目标的检测能力得到了提高。