目标检测是通过计算机网络,对图像或视频内的所有物体进行检测,目的是检测出需要的目标物体。目标检测在目前的机器视觉中占据着较为重要的地位,因为目的是找出目标物体,所以在公共安全、监控设施系统、治安管理、农业果实采摘等多领域都有着广泛的应用。YOLO(You Look Only Once)算法在检测速度上有着较好的优势,但是在小目标检测问题上,特征提取的卷积部分能力较弱,另外对候选框的筛选也存在一定弊端。本文分别在果实检测和安检X光机图像检测两个方面对YOLO算法进行改进:在果实检测中,由于观察距离、遮挡和光线影响,易造成漏检情况。本文通过改进卷积核和使用提出的自适应非极大值抑制算法来减少对果实的漏检情况。在安检检测中,目前的双步算法速度较慢,此外在检测中会造成误检、目标定位不准的问题。本文通过改进的卷积核、密集卷积块和自适应非极大值抑制算法来进行改进。本文的创新点如下:(1)自建数据集(2)针对小目标情况做了两种卷积核改进(3)针对网络的梯度问题,使用密集卷积块替代部分残差块(4)针对遮挡漏检问题,提出自适应非极大值抑制算法。本文基于YOLO算法的快速检测特点,针对果实检测和安检检测的两种小目标检测问题分别进行网络的改进。在果实检测任务中,召回率提升3.72%;在安检检测中,召回率提升2.27%,达到98.55%。