目标检测算法是近几年来计算机视觉研究领域的一大热门。随着深度学习的发展，越来越多基于深度学习的目标检测算法逐渐登上舞台，以远超其他视觉检测算法的性能被广泛应用在生产生活中，加快了社会智能化的进程。目标检测包含模式识别、图像处理、深度学习等许多领域的前沿知识，使其成为一项具有挑战性的研究课题。考虑到现阶段列车异物检测主要基于人工肉眼检测，耗费人力且效率低下，本文将基于改进YOLOv3目标检测算法用于该场景，节约人力同时提升检测效率，凸显了目标检测理论研究的应用价值。
　　本文重点介绍了近几年来广泛使用且性能较好的YOLOv3目标检测算法，对YOLOv3的骨干网络和损失函数进行了详细且深入的分析。并针对其中的不足之处进行了相应的改进，提出了改进后的目标检测算法Advance-YOLO，并在PASCALVOC2007数据集上进行试验，验证了改进YOLO算法的有效性。主要改进点有以下三点：
　　(1)利用特征重利用率高，训练所需参数更少的Denseblock构建新的骨干网络。相较于原YOLOv3中利用残差模块来构建骨干网络的方式，本文的方法鼓励网络利用浅层、中层、深层的特征信息进行综合判断及特征提取，显著的提升了骨干网络对于图片特征的提取能力，并增强了最终的目标检测性能。实验结果表明，此单项改进能提升约2.1%的mAP。
　　(2)利用GIoU和边界框距离重新设计了YOLOv3中的边界框损失。解决了原MSE边界框损失造成的大小目标产生损失值比重不平衡的问题。进一步优化了YOLOv3针对小目标的检测性能。实验结果表明，此单项改进能提升约1.05%的mAP。
　　(3)针对原YOLOv3中出现的样本不均衡问题，本文通过Focalloss损失函数替换了原始算法中置信度的交叉熵损失函数。提升了对正样本和难样本的损失比重，增强了网络对难样本和正样本的学习能力。实验结果表明，此单项改进能提升约0.8%的mAP。
　　最终结合三项改进的Advance-YOLO目标检测算法的mAP达到了78.15%，相较于原YOLOv3的74.85%提升了3.3%，显著提升了检测性能。
　　最后论文将改进后的Advance-YOLO算法应用于工程实际场景：列车异物检测。在工程应用中重点研究并解决小样本数据集的问题。针对现场环境复杂以及列车异物样本集数量少等问题，通过数据增强、k-means聚类先验框以及迁移学习训练这三种策略，大幅提升了在小样本数据集上的训练效果，解决小样本数据集的问题。最后通过开发的应用程序，基于Advance-YOLO列车异物检测算法，满足铁路现场实际的使用需求。经现场安装及6个月的实际测试结果表明，本文开发的算法精确度达到了63.5%，召回率达到了96.9%。能有效替代人力对列车车身上的异物进行检测，满足了用户的需求。