近年来,计算机技术高速发展,而计算机视觉技术由于与产业联系密切,发展尤为迅速,其成果也大大的便利了人们的生活。目标检测工作是计算机视觉的重要研究领域,并且在很多应用上都取得了很好的效果,比如人脸检测、行人车辆检测等。当前随着深度学习技术的兴起,其强大的特征提取和拟合能力,已经成为目标检测领域的主流。在农业生产中,玉米是我国重要的农作物,而其生长会受到杂草的严重影响,而现有的机械除草、化学除草等方法又存在着各种各样的缺点,比如对环境造成污染、增加劳动力成本等,所以高效的智能除草技术的研究很有现实意义。基于上述提出的问题,本文以实现快速准确的辨识玉米苗与杂草为目标,运用计算机视觉及深度学习领域的技术研究,分析和研究能够自动辨识玉米苗与杂草的方法。本文以农业生产中的玉米苗与杂草辨识为背景,提出了能够端到端训练的高效的图片目标检测模型,并在自己制作的玉米苗和杂草数据集上进行了大量的实验,提出了一种解决玉米苗杂草辨识问题的有效方法。目前用深度学习卷积神经网络的方法解决目标检测的模型主要有两种类型。一种是以Faster-RCNN为代表的基于候选区域网络的两阶段模型,在检测精度上有优势;另一种是以SSD为代表的可以端到端训练的单阶段检测模型,在速度上有优势。本文是在SSD模型的基础上,提出了一个有更高准确率的端到端的图像目标检测模型。主要的贡献包括:第一,原有的SSD模型是一个轻量化的模型,我们加入了空洞卷积、Inception网络和DenseNet网络,以增强网络的特征提取能力。第二,借鉴了Faster-RCNN这种两阶段方法的特点,在模型中使用了一种Refinedet结构,这是一种模仿两阶段的两次回归候选框的方法,能够有效的提高检测的准确度。我们最终提出的模型WeedNet,在VOC2012检测数据集上,表现出了良好的检测效果,相比几个经典模型都有很大的提高。针对具体的玉米苗与杂草识别的问题上,由于现在没有公开的玉米苗与杂草数据集,第一步工作就是数据集的制作。我们在温室和室外条件下采集了大量的玉米苗与杂草的高清图片,包括光照、角度等各种不同的情况。接着使用标注工具LabelImage手工标注图片,制作了一个VOC2012格式的数据集。使用迁移学习的方法,我们把之前在VOC2012数据集上训练好的模型,根据杂草数据集的实际特点,在杂草数据集上继续训练模型。我们把实验结果和其它深度学习检测模型还有传统目标检测方法做了对比,结果显示我们的模型在检测精度和速度上都具有一定的优势。