甘蔗制成的蔗糖是我国食糖的主要来源,蔗糖业的发展直接关乎我国数千万蔗农的生计。甘蔗质检是蔗糖生产自动化流水线的关键环节,当前质检是依靠人工的传统方式。这种方式会存在人为主观因素和环境客观因素的影响,同时在短暂的蔗糖榨季内低下的人工质检效率将会带来高昂的时间和人力成本。因此,本文尝试取代传统人工质检方式,将基于深度学习的目标检测技术应用于甘蔗质检阶段,对甘蔗杂叶的检测进行研究。本文的主要研究内容如下:（1）构建甘蔗杂叶数据集。当前在常见的目标检测公开数据集中未发现可以使用的甘蔗杂叶数据集,为此本文制作适用于甘蔗杂叶检测的数据集。（2）针对甘蔗杂叶细小杂乱的检测难点,本文提出基于在线困难样本挖掘策略的甘蔗杂叶检测模型,应用于甘蔗杂叶检测任务中。首先,设计基于特征金字塔结构的新型残差网络提取甘蔗杂叶图像的特征,融合顶层较强的语义特征和底层的高分辨率信息;然后在区域候选网络中,设计在线困难样本挖掘策略,平衡甘蔗正负样本和困难样本,提高模型对杂叶困难样本的检测能力,并设计软非极大值抑制算法筛选更精准的候选目标框。（3）为进一步提高检测甘蔗杂叶的检测精度,解决杂叶与甘蔗图像背景相似的检测难点,本文提出基于注意力机制的甘蔗杂叶检测模型。首先,设计颜色空间数据增强方法和九张图像重组数据增强方法,丰富甘蔗图像数据的多样性,提高模型的泛化能力;其次,设计新型跨阶段局部暗网骨干网络提取甘蔗杂叶图像的特征,并设计特征融合网络融合深层较强的语义信息和浅层丰富的位置信息;最后,设计注意力机制模块融入到骨干网络和特征融合网络之间,对甘蔗特征图重点特征进行强化,削弱无关特征,更有效地提取杂叶特征。通过对两种模型进行大量的对比实验和消融实验,结果验证两种模型具有可行性和有效性,其中基于注意力机制的甘蔗杂叶检测模型可以达到更高的精度。