近年来,计算机视觉领域基于卷积神经网络的目标检测算法发展迅速。相较于传统的目标检测方法,一些优秀的深度学习网络的出现使目标检测的检测准确率及检测速度得到了大幅提升,为目标检测在实际应用中打下了坚实的基础。但是,因为卷积神经网络具有参数多、层数深等特性,为了充分进行地学习、训练,得到较好的检测结果,需要为网络构建大规模训练数据集。但在实际应用中,因检测场景下各个待检测物体的特定性与独特性,需通过费时费力的人工标注进行大规模数据集的构建。虽然当前的一些经典数据增强方法可以扩大人工标注数据集的规模,但常规的人工组合物体拍摄、人工标注的流程,限制了目标检测数据集中数据增强方法只能局限于单样本数据增强方法中,如旋转、模糊等。本文针对上述实际应用中出现的问题,提出并实现了一套在数据采集时间成本较低的情况下,提升网络在实际应用中的部署效率以及检测质量的目标检测应用系统。针对训练图像匮乏,人工标注成本高等问题,从数据采集、数据标注、数据增强等三个环节对经典的深度学习网络在实际应用中的工作流程进行了优化,降低了网络应用时各步骤所需的时间消耗,并且通过将应用中各步骤进行自动化处理,降低了网络应用中的人工参与程度,进而提升了网络系统的部署效率。系统首先从三维扫描建模方式出发,对待检测物体进行三维建模并生成对应物体全方位特征图像。之后通过基于物体轮廓的混叠数据增强步骤,对其进行了有效的数据增强,提升了数据集的规模与信息量,使网络能对待检测目标进行充分学习,达到一定的检测结果。之后,针对三维扫描建模方式所存在的缺陷如纹理分辨率低,无法对小物体进行有效数据采集等问题,还提出了环绕视频拍摄的方式来进行数据采集工作及相应增强实验,并对比分析了两种采集方式的特点。在将系统中不同的环节进行加速优化之后,本文在最后从各个角度分析了本系统的工作效率、检测性能。验证了此系统在实际应用中可加速网络部署、提高物体检测效果的能力,进而推动深度学习网络在实际应用中的落地进程。