近年来,以卷积神经网络为典型代表的人工智能相关技术推进了计算机视觉领域的发展和它的实际应用。目标检测领域也因CNN模型的成功应用而取得了很大的进步,各种先进的目标检测器层出不穷,基于目标检测技术的计算机视觉应用也在快速发展。一阶段目标检测算法YOLOv3更是融合了YOLOv1版本和YOLOv2版本各自的优点,在保证速度水平不变的前提下,在检测精度上也能有所提高,特别在对小目标的检测工作上,针对性地加强了识别能力。其主要的改进体现在:调整了网络结构;利用多尺度的特征对物体进行检测;损失函数部分用Logistic取代了softmax。一阶段目标检测算法YOULOV 3融合了YOULOV 1和YOULOV 2的本质,在保持速度优势的前提下提高了预测程度,特别是提高了对小目标的识别能力,主要改善措施调整了网络结构,利用多维度特征因此,进行目标检查,将目标分类为logistic,而不是softimax。然而,现有的基于YOLOv3的目标检测器也面临着诸多问题和挑战。首先,现有基于YOLOv3的目标检测器在特征融合上存在不足。其次,基于YOLOv3的目标检测器物体参数与候选框参数平衡也有所欠缺。针对上述两个的问题,本文进行了如下研究:第一,本文分析了现有的基于YOLOv3的目标检测器在特征融合上的不足,提出了一种基于特征金字塔结构的目标检测网络YOLOv3+。原有网络是Darknet-53[37],我们会多加一个下采样操作,而且在YOLO层,会增加一个上采样操作,从更高阶层的特征提取特征信息。改进之后,YOLO层现在变成了四层,比以前的三层多一层,所以输出也变成了四层。大量实验证明,与以往基于YOLOv3的目标检测器相比于YOLOv3+的目标检测器能有效提高目标检测性能。第二,本文分析了现有的基于YOLOv3的目标检测器物体参数与候选框参数平衡有所欠缺的问题,提出了两种优化思路:一是将候选框的尺寸与数据集结合分析,作出有针对性的改变,在重新分派候选框时,将尺寸偏大的候选框分派给高阶层特征图;二是针对物体类别和图片分辨率两方面,分别进行上采样和提高图片分辨率的数据处理操作,尽可能排除物体参数对检测结果的影响。由实验结果可知,结合物体参数与候选框参数所进行的优化能够在保证速度的同时有效提高检测的精度。