目标检测技术是视频安防、道路交通监控等系统中的核心技术之一,通过提取图像中的关键目标特征,分析出目标的类别及位置信息。目前,基于可见光波段图像的目标检测算法已在小尺度目标检测、密集目标检测等难点上取得了突破,并已通过大型自然图像数据集证实了其有效性。然而,在光照不足、烟雾遮挡等条件下,受限于目标有效信息的丢失,这类算法仍难以取得较为鲁棒性的检测结果,严重影响全天候监测系统的整体可靠性。本文主要将可见光传感器与远红外传感器相结合,设计基于多波段图像的目标检测算法,通过利用两个传感器所采集到的较高配准质量的多波段图像信息,提升复杂场景下的目标检测精度。由于目前基于多波段图像的目标检测算法研究较少,且受相关数据所限,大多仅对行人目标进行分析。因此,本文首先针对红外图像的行人检测算法进行研究,利用多任务学习框架辅助网络对场景显著目标的判别,在取得较高红外行人检测精度的同时,合理验证了利用多波段图像信息的必要性。其次,针对多波段图像在特征级融合过程中的整体融合框架及特征融合策略展开分析,优化网络特征融合结构,改善网络对图像全局信息的学习。最后,通过自建含多类别标注信息的多波段图像数据集,并进行相关实验分析,有效证实了本文算法在多类目标检测中检测精度及推理速度上的先进性。本文的具体工作如下:1)基于红外图像的行人检测算法研究。由于红外图像能较好的克服场景光照的影响且相关理论研究较少,本文首先以红外波段图像作为目标检测的信息来源,设计多任务学习框架指导网络协同分支完成显著性目标检测任务的学习,进而通过共享主干网络,侧面强化主网络对显著红外目标的判别能力。实验有效证实了本文算法的检测性能优于主流红外行人检测算法TC-Det,但相较于利用多波段图像信息的主流检测算法仍存在较大的精度差距,证实了利用多波段图像信息的有效价值。2)基于多波段图像的行人检测算法研究。针对主流多波段行人检测算法结构冗余、融合尺度单一以及传统融合策略的局限性,本文分别在整体融合框架及特征融合策略两方面展开研究。构建以轻量级网络Shuffle Netv2为主干网络的三分支中期融合模型作为本文的整体框架,并设计模态特征门控网络及差异特征门控网络,感知各波段图像的全局信息,由粗到细的引导局部特征信息的融合。实验结果有效证实了本文提出的算法能在相同平台下以较高的推理速度取得优于同类先进算法的行人检测性能,并为后续多类目标检测算法的设计奠定了基础。3)基于多波段图像的多类目标检测算法研究。针对目前缺乏多波段图像的多类别目标信息,本文基于TKinter框架设计用于多波段图像的目标标注工具,并通过数据收集整理、自适应直方图均衡化处理等操作,自建用于多类别目标检测的多波段图像数据集。此外,针对目标样本长尾分布的问题,采用均衡Focal loss函数强化网络对少样本目标类别的关注。最终,在自建数据集上的相关实验证实,本文设计的基于多波段图像的目标检测算法在多类目标检测上的检测精度及模型复杂度等均优于主流算法AR-CNN,充分验证了本文算法的有效性,并为基于多波段图像的检测算法的实际应用提供了理论支撑。