计算机视觉指将人的视觉功能通过计算机手段实现,从而实现对客观世界中三维场景的感知和识别。在计算机视觉的发展初期,关于目标检测领域的问题就激发了研究人员浓厚的兴趣。常见的目标检测是根据不同目标对象的特征信息实现对场景中目标对象的定位和识别,随着计算机应用技术不断进步,如今针对人脸检测、行人检测等一些特定目标对象的检测已有较成熟的技术。近年来随着深度学习技术的不断发展和成熟,基于深度学习的目标检测技术逐渐成为研究热点,目前基于卷积神经网络的目标检测算法已成为计算机视觉领域最热门的方法。鉴于深度学习理论和方法在目标检测上表现的优良性能,本文针对卷积神经网络中由于池化等操作使图像关键内容无法得到有效获取的问题,提出一种基于卷积神经网络的双阶段目标检测算法,即:特征增强的深度目标检测算法。具体来说,Faster R-CNN网络由于使用较浅的网络结构(VGG16),无法获取目标的关键感知域,从而不能提取特征信息更加丰富的特征图。因此,本文针对Faster R-CNN算法的问题,在基于其网络结构的基础上,构建结构更深层的特征提取网络,提升特征获取能力,并将空洞卷积操作融入到深层特征提取模块中,进一步提升网络的感受野,进而增强对待检测目标关键特征的获取,捕获更多的多尺度特征,提高网络的检测性能。本文在标准的数据库PASCAL VOC2007上进行了大量的实验,并对各种参数对实验结果的影响进行了透彻的分析。实验结果表明,本文所构建的网络结构极大程度上减少了因目标特征丢失而给部分目标对象无法识别造成的困扰,具有良好的目标物体检测能力,可以有效地完成分类任务,并且能够得到较高的识别精度,显著的性能表明了本文方法有着更广阔的应用前景。本文所构建的网络结构在目标检测任务上的平均精度要比Faster R-CNN提高约5%。