目标检测是计算机视觉应用中十分重要的一个模块,在很多对实时性要求很高的场合,快速准确的实现对目标的检测有非常重要的意义,例如视频监控、人脸识别、车辆识别、车牌识别等。本论文从目标候选区域检测和基于深度卷积神经网络的目标检测模型两个方面对快速准确的实现目标检测进行了研究,论文的主要研究内容如下:(1)提出了一种高阶BING特征用于候选区域检测。通过分析BING特征的原理和计算方法,提出了一种以梯度方向直方图为基础的高阶BING特征,相对于以梯度幅度为基础的BING特征来说,提升了特征的表达能力。梯度方向直方图的计算相对于梯度幅度的计算更加复杂,所以在计算的时候使用了一种特征多尺度估计方法,以加快特征的计算速度。(2)设计了一种基于深度卷积神经网络的目标检测网络模型。通过使用缩减特征图通道数量、一维卷积核、CRe LU等方法优化了特征网络的设计,从而加速了特征的提取。特征提取网络前半部分参考了VGGNet,后半部分参考了GoogLeNet的设计,并且通过使用多尺度的特征的组合和困难样本挖掘训练,得到了更快更好的检测效果。(3)实现了一个以人脸作为目标的目标检测系统。讨论了以人脸为目标的目标检测系统的训练参数的设置、训练样本的标注对检测结果的影响。使用Qt图形界面库制作了样本标注软件对目标进行标注。以本论文第二章的目标候选区域检测算法和第三章的目标检测算法为基础实现了人脸识别系统中的人脸检测模块。