在国家推出的“科技强国”战略背景下,人工智能和计算机视觉作为现代科技最前沿的计算机技术得以迅速发展。目标检测是计算机视觉领域中重要的研究方向之一,被广泛应用于社会的各个领域,例如:军事、医疗、交通及安全等。伴随着人工智能方法的不断改进与创新,基于深度学习的目标检测研究受到了学者们的青睐。基于深度学习的目标检测方法有泛化性能好、适应性强、鲁棒性好等优点,但是目前对目标检测方法的研究都只在检测速度或精确度上有所提升,很难在两者间做到平衡,如何使目标检测器达到高精度和高速检测是亟待解决的问题。针对这一问题本文基于YOLOv3模型从候选框筛选模块、主干网络和颈部连接等方面进行了相关研究工作:1.对深度学习模型中One-stage和Two-stage框架模型共有的候选框筛选模块进行改进。分析了在候选框筛选中常用的非极大值抑制算法的特点,针对非极大值抑制算法只能选择相对最优候选框,无法进一步调整候选框位置的问题,提出了候选框融合算法。旨在选择局部极大值候选框的同时,将冗余框的位置信息有选择性地融合进极大值候选框中,使极大值候选框内的目标信息量最大化。通过该方法可实现在神经网络之后对目标进行二次定位,在最终性能评价时获得更高的指标。2.利用ResNeXt改进YOLOv3主干网络的模型研究。针对Darknet-53主干网络特征提取能力差的缺点,提出一种性能更加强大的主干网络:Res＿Darknet。首先基于Res Ne Xt提出改进方法,构造一种新的残差块,然后利用改进残差块重新设计一种符合YOLOv3结构特点的主干网络。最后与其他深度学习模型相比较,改进模型的综合性能更好。3.引用注意力机制和多分支卷积优化YOLOv3颈部连接的模型研究。针对YOLOv3颈部连接中易产生特征信息丢失和特征表达能力差的缺点,提出了改进YOLOv3模型。首先设计一种特征图拼接模块,用于增强重要特征信息的表达。其次,提出了一种特征图映射模块,用有多种感受野的多分支卷积模块替换原模型中简单的多层堆叠卷积结构,从而捕获更丰富的特征信息。通过实验验证,改进方法可实现实时目标检测,且精确率更高。