目标检测是计算机视觉中最重要而又有挑战性的分支之一,广泛应用于安防监控、无人驾驶、视觉机器人等人们生活当中。近年来随着深度学习网络对检测任务的快速发展,目标检测器的性能得到了很大的提高。但依然面临太多挑战。如在图像模糊、多目标重叠以及尺度过小等情况下,分类和回归难度太大。本文围绕单级检测算法存在的问题,结合国内外研究进展、经典算法框架以及前沿研究成果进行了深入研究。主要工作如下:(1)提出了一种基于选择性二阶段分类回归的单级目标检测算法。针对单级检测算法和两级检测算法之间存在的速度和精度不平衡问题,本文将Refine Det网络中的两个阶段的分类任务和回归任务重新做出了调整。首先,选择性地在低层检测层上只做分类任务,选择性地在高层检测层上只做回归任务,网络变得更加高效。其次,为了解决原算法和大部分单级检测算法中都存在的特征和锚框之间不对齐的问题,引入了一种可变形卷积Ro IConv,它通过直接计算特征与锚框的偏移量来达到特征对齐的目的。最后,本文在MSCOCO数据集和Pascal VOC数据集上进行了相关实验。结果表明,相比原算法和大部分单级检测算法,本文算法精度更高。重要的是,这些改进几乎不会造成网络计算负担,所以网络推理速度依然具有实时性。(2)针对分类网络并不完全适用于目标检测任务作出改进,提出了一种基于改进残差分类网络的车辆检测算法。传统的分类网络是专门为图像分类任务而设计的。为了改善这一问题,提出了一种称为D-Res Net-50的改进残差分类网络结构,该网络不仅针对回归任务进行了优化,而且对分类任务也提升明显。在改进残差分类网络结构的基础上,一方面,使用选择性分类和选择性回归的方法;另一方面,在预处理阶段使用随机遮挡增强策略。在KITTI数据集上的评估结果表明,本章算法在车辆检测精度上优于大部分经典检测算法,网络处理单张图片检测时间仅需0.3秒,能够满足实时性的需要,具有一定的实际应用价值。