目标检测是自动识别、预警、智能交通等计算机视觉领域的关键技术。目前检测算法主要分为三类:传统方法、传统机器学习方法、深度学习方法。由于三种方法各有优缺点,具体目标的检测方法需要根据其特征的明显程度和场景复杂度等因素来决定的。为了能够更加有效地检测目标,本文进行了以下工作。1、由于不同类别目标之间(比如军用舰船和民用船只中的大型捕捞船)各项特征非常相似,所以基于传统方法或者传统机器学习方法的检测算法正确率一般。为了能够更加有效地检测出不同目标,本文提出了基于改进的深度学习yolo模型的检测算法。它主要通过图像网格预测和后高斯处理来检测船只目标的。模型主要框架如下:对图像进行网格划分,然后分别计算类别概率,这个时候输出矩阵的局部分布呈类均匀分布。然后对数据进行高斯处理,使得矩阵局部呈类高斯分布。最后通过检测高斯分布或者高斯最高点的方法来实现目标识别与图像定位。实验结果显示,本文深度学习网络模型相对于YOLO v2网络和SSD300网络,平均正确率分别提高了1.4%,2%左右,比YOLO v2网络实时性提高了1.5%以上。2、弱小目标具有像素数量少、纹理特征不明显、形状信息较少、局部对比特征较强等特性。为了能够更加有效地检测出弱小目标,本文提出了基于改进的统计模型与桥梁模型的检测算法。它主要通过图像中弱小目标与其邻域背景的特征差异性来检测小目标。传统模型主要步骤如下:首先在滑动窗口范围内提取像素值的均值、方差等特征;其次根据这些统计特征和桥梁方法判断该窗口范围内有无小目标。如果存在小目标,记录下其位置;最后对小目标区域进行二次筛选,二次筛选的方式是从基于统计特征、基于局部极值、基于连通域形状的筛选方式中选择一个。实验结果显示,此算法相对于较经典算法,虚警率降低了百分之五十八以上。3、目前小目标的检测使用传统算法效果最好,正常大小的目标使用深度学习检测效果较好,本文通过目标大小作为两种模型的切换条件来对目标进行检测。当目标大小小于临界值时,使用小目标检测算法。当目标大小大于临界值时,使用深度学习检测算法。