近年来人工智能技术发展迅速,特别是深度学习算法的提出,极大的推动了模式识别、计算机视觉等各个相关领域的发展,并在诸如图像分类、目标检测、目标跟踪、实例分割等分支任务中显示出了卓越的性能。目标检测作为计算机视觉领域最富有挑战性的分支之一,也受到了广泛的关注,并在现实生活中具有广泛的应用场景,如人脸识别、行人检测、消费电子、视频监控,等等。目标检测旨在对图像中的目标物体进行识别与定位。传统的目标检测算法大多依赖于复杂的手工设计的特征表示方法和相当多的加速技巧,随着基于传统手工特征的目标检测算法的性能逐渐饱和,目标检测的发展也出现了短暂的停滞,直到卷积神经网络再次进入人们的视野,基于深度学习理论的目标检测开始快速发展起来。根据国家重点研发计划“监管场所智能监控、预警防范关键技术研发与示范”项目的要求,为了降低某监狱视频监控系统对人工的依赖,提高监管的效率和可靠性,本文对监狱场景下行人目标的自动检测识别进行了研究。由于监狱视频监控中行人目标之间的差异较小,行人目标的判别特征并不显著,特别是视频监控下行人目标的图像分辨率较低,这进一步增加了检测识别的难度。本文在分析并研究了前人在目标检测领域工作的基础上,基于某监狱视频监控中行人的先验知识,提出了一种基于先验知识的视频监控目标检测算法,主要贡献包括:首先,针对某监狱视频监控场景下行人的数据,人工构建了一个该监狱的行人数据集,并对该数据集中行人的先验知识进行了统计分析,包括图像中行人的分辨率、行人的长宽比、平均每张图像中行人的数量等信息,以便对目标检测算法的重要组件进行改进;其次,提出了一种基于改进的特征金字塔网络的目标检测算法,基于改进的特征金字塔网络在进行多尺度特征提取的过程中,通过一条自下而上的增强路径,将具有高分辨率的浅层特征与强语义信息的深层特征进行融合,保证最终输出的多尺度特征同时具有强的语义信息和高分辨率,以解决图像中行人分辨率较低的问题;最后,提出了一种基于改进的非均匀区域建议网络的目标检测算法,基于改进的非均匀区域建议网络首先将特征图转化为一个判断目标物体存在的概率图,然后根据行人数据集中的先验知识对目标候选框的形状进行预测,在保证候选框提取质量和召回率的同时,提高算法运行的效率。通过实验的验证,基于先验知识的视频监控目标检测算法在该监狱视频监控场景下行人的检测识别中,可以实现较高的检测精度和较快的检测速度,保证了对行人的自动检测识别,降低了视频监控系统对人工的依赖,也减轻了监控人员的工作负担。