现实生活中,很多四边形目标如屏幕、幻灯片、文档、白板等通常都是包含信息量丰富的信息载体。这些目标作为一种人造图形目标在生活、办公中被广泛应用。近年来,由于手机等移动设备得到了普及,用户通常使用手机对四边形目标进行拍照以保存目标中的内容,移动设备拍摄得到的图片能够便利的分享信息、整理保存。四边形目标检测的具体任务是将手机图片中四边形目标的四个角点检测出来,利用获取的四个角点的坐标,可将四边形目标截取出来得到比例合理的矩形图像。目前为止,针对四边形目标检测的问题,众多研究者提出了不同的算法方案。通常,这些算法都存在一定的局限性,如只能针对特定的四边形目标进行检测,或对背景的复杂度有限制。针对已有文献的这些问题,本文通过引入深度学习理论与方法,对实时四边形目标检测算法进行系统且深入的研究。本论文主要贡献如下:（1）针对四边形目标检测受四边形检测算法的影响这一现象,受高精度目标检测算法Faster RCNN的启发,设计一种二阶网络框架,其中算法框架的第一个阶段为使用深度学习算法生成轮廓图像,进而在轮廓图像中使用四边形检测算法检索出可能是目标的四边形,即四边形推荐,第二阶段将四边形推荐中的四边形映射到基础网络的特征图中并使用多层级特征提取的方式提取深度特征向量对四边形进行分类和角点位置回归,二阶网络可以将不同的四边形检测算法无缝接入整个四边形目标检测的模型中,提高了算法的可拓展性和灵活性。（2）针对四边形推荐中需要根据轮廓图像检测四边形的问题,论文提出三种方案分别用于不同的情形:○1针对数据集规模有限,同时要求高鲁棒性的场景,提出一种基于多边形轮廓逼近生成最小矩形包围框,再对包围框进行角点回归的方法;○2针对数据集规模大,测试数据中多存在透视变换的情况,提出一种基于概率霍夫变换结合K-means聚类检测四边形的方法,○3针对前景、背景简单,语义信息单一但要求快速处理的场景,提出基于设计大卷积核进行卷积查找角点的方法。