现今,人工智能领域有万物皆可“计算机视觉”的趋势,越来越多的学者在研究这门如何使机器“看”的科学,该领域广泛而复杂。目标检测是计算机视觉独特的任务之一,在实际场景中应用广泛,同时可以为更精细的图像识别任务提供基础,。经过多年研究,目标检测技术解决了不少问题,但是针对自然场景时,由于天气、光照等不确定性因素,该技术不能很好地适应室内外变化多样的环境,所以需要在检测前利用某种预处理技巧去除对检测结果不利的因素。本文探讨对YOLO系列算法改进后的目标检测算法Soft-YOLO的性能,应用到Pascal VOC数据集、福建省漳州市龙海市的行人与车辆方位检测数据集和某工厂的餐具检测数据集;同时针对两种实际情况下检测效果不佳的问题给出了解决方案。首先,本文探究改进后的目标检测算法Soft-YOLO的性能,它是由YOLO系列算法中所用到的过滤冗余检测框的算法NMS替换为更“弱化的”Soft-NMS后得到的。在Pascal VOC数据集上进行实验,结果表明,这种替换提高了定位准确度,同时增加了召回率,进一步说明改进后可以使目标的定位更加精确。随后,本文将Soft-YOLO算法应用在福建省漳州市龙海市的行人与车辆方位检测数据集上,当YOLO系列最新版本YOLOv3中传统的NMS替换为Soft-NMS时,IoU值从76.70%上升到了79.55%,增加了2.85%。当应用在某工厂的餐具检测数据集时,IoU从77.32%升高到了80.66%,增加了3.34%。由此可见,不管是在室内还是室外场景,均提高了定位准确度。最后,雨天场景下对福建省漳州市龙海市行人与车辆方位检测进行实际测试,针对雨条给图像带来的像素噪声造成了检测效果不佳的问题,选择的解决方案是采用密度感知多路稠密连接神经网络算法(DID-MDN)对图像进行预处理,经过DID-MDN去雨预处理后,提升了图像质量,改进了检测效果。应用在某工厂的基于视觉检测的餐具分拣系统时,由于不同室内环境光线强度难以调整统一,造成餐具检测结果鲁棒性较差的问题,选择的解决方案是对于光照情况较差的餐具检测数据集,使用Gamma校正的光照调整方法进行预处理。光照较暗时,经过光照预处理,IoU上升了3.14%;光照较亮时,经过光照预处理,IoU也从77.71%上升到了80.30%,而且均提高了整体平均精度均值。说明采用光照预处理后,餐具检测性能有所提升。