得益于深度学习,目标检测研究取得了巨大的突破,但是在实际生活场景的应用中,并未达到人类实现高效管理最理想的效果。比如交通参与者是道路交通活动的基础,随意运行的车辆和行人容易打破良好的交通秩序,对其进行检测有助于优化城市管理,建设新型智慧城市。比如,绝缘子是架空输电线路的绝缘控件,需要承受超高的机械强度,自爆后需要及时更换,否则将会难以管控线路的输电调度。人工智能赋能行业发展,目标检测作为其基础课题,要使其在各种复杂场景下发挥最大效益的目标还面临着很大的挑战。本文在当今使用深度学习技术“看”世界的背景下,对现有基于神经网络的目标检测算法进行改进,并将改进的算法应用在城市道路交通参与者检测识别、复杂背景下多车牌检测定位和中国南方电网自爆绝缘子分割检测。1)汽车自动驾驶中,错误的目标检测可能导致严重事故,因此高精度的目标检测在汽车自动驾驶中至关重要。提出一种嵌入注意力和特征交织模块的GaussianYOLOv3目标检测方法。该方法主要对特征图通道的处理方法进行改进:首先在网络中添加注意力模块用于自主学习每个通道的权重,增强关键特征、抑制冗余特征,从而加强网络对前景目标和背景的区分能力;其次,同时将特征图的不同通道进行特征交织得到更具表征性的特征;最后,对注意力和特征交织模块分别得到的特征进行再融合,从而构成新的特征图。2)为了准确检测出复杂背景下的多个颜色不同、大小各异的车牌,提出一种基于YOLOv3的改进网络,得到一种兼顾精准度、网络复杂度和检测时间的多车牌检测方法。主要改进包括:将Inception-Res Net模块融入YOLOv3形成新的特征提取网络提取车牌特征;将SPP模块添加到YOLOv3模型的检测网络形成新的多尺度检测网络;统计车牌大小,并聚类分析,根据车牌大小设计先验框尺寸;对改进网络的重复模块进行裁剪实验,在确保检测性能的同时,最大限度减少训练参数和检测时间。3)以从复杂背景图像分割出来的绝缘子串中找到并标识出自爆绝缘子缺失的位置为研究内容,提出一种基于图像亲密度分布建模和轮廓边界建模的绝缘子串分割检测模型,通过亲密度建模和轮廓建模来学习绝缘子的外观共性和轮廓共性,使网络能够感知前景实例的整体性和与背景区域的可分离性;最后从绝缘子串掩膜图中定位自爆绝缘子缺陷检测方法。