随着深度学习的广泛应用,目标检测识别技术越来越多地应用到了很多人工智能的系统中。智能监控系统就是该项技术的典型应用场景。目前许多基于深度学习的目标检测识别模型虽然可以大幅地提升检测的准确率,但是计算速度还是无法达到实时。同时,这些模型无法很好地检测到较小的目标物体。本文针对以上目标检测和识别方法出现的问题,研究利用深度学习的解决方案,具有很强的科学意义和应用价值。本文首先以在学术界和工业界广泛应用的Faster RCNN为研究模型,开展了相关的研究和检测实验。根据实验结果,分析了影响目标检测与识别算法的一些关键因素,并提出了可以改进优化的方向。对于卷积神经网络中基本结构层的工作原理和作用,本文开展了相关研究。并针对VGG、GoogleNet、ResNet等模型进行了详细地对比和分析,总结了可以很好地平衡网络特征计算能力和网络参数量的网络结构形式。在此基础上,考虑到不过多地影响检测精度并尽量提高检测速度,本文对深度特征计算网络结构进行了优化,并对网络参数进行了重训练,以保证网络对目标特征的敏感性。实验结果表明,本文所采用的网络结构对图像中的目标特征敏感,在提高感受野的同时减少了模型的参数量。随后,研究了目前可用在卷积神经网络上的滑动窗口法、选择性搜索算法和RPN层检测算法。在对比和分析了它们之间的优缺点之后,选取区域提取网络结构作为检测的基本层。通过研究Faster-RCNN对区域提取网络结构使用中所出现的缺陷,提出了检测算法的优化改进办法。本文利用在多尺度特征图上进行区域提取的办法进行检测,不但减少了先验检测框产生的数量,而且还降低了对小目标物体检测的漏检率。本文设置了训练前正、负数据样本的准备工作和网络模型训练参数,并且通过对比实验,证明了本文模型在标准数据集上比Faster RCNN和YOLO的检测准确率有所提升。对于小目标检测,本文模型的检测效果也优于能够满足实际需要的SSD模型。在实时性方面,本文模型的检测速度达到了每秒19帧。