目标检测一直都是计算机视觉研究领域中最具挑战性的难题之一,2016年提出的SSD(Single Shot Multi-Box Detector)模型,因其良好的检测性能已成为目前较为主流的目标检测方法之一。但SSD模型在检测准确率方面仍有一定的提升空间,考虑到SSD模型的检测准确率与所提选取的图像特征、默认框(default box)以及位置框定位算法密切相关,本文在深入分析SSD模型的基础上,围绕如何改进和提高SSD模型的检测准确率开展了相关研究工作。本文的主要工作如下:(1)针对SSD模型中基础网络VGG16网络层数较少,提取的特征不够精准的问题,研究了基于inception_resnet_v2的SSD目标检测模型,改进了 SSD模型的特征提取模块,实验结果表明改进后的SSD模型检测准确率有所提高,体现了该方法的有效性。(2)针对目前SSD模型的默认框不能随物体形状和大小而改变,有时会浪费计算资源并增加位置回归计算复杂度的问题,研究了基于均值漂移(Mean Shift)自适应生成检测框的方法,该方法使用遗传算法对均值漂移参数进行寻优,根据最优的均值漂移参数自适应生成检测框。实验结果表明改进后的SSD模型检测准确率有一定提升,计算复杂度有所降低。(3)针对SSD模型在同一位置将生成多个预测框,最终定位有时会存在定位偏差的问题,提出了一种综合定位算法用于预测框的最终定位,实验结果表明,改进后的SSD模型目标检测性能更好。最后,本文还将所设计和实现的检测模型在数据集Freiburg Groceries Dataset上进行训练,并于真实超市场景(Tesco)下进行了验证,检测的效果良好。