目标检测是计算机视觉领域中备受关注的前沿方向,它涉及从图像中检测和识别出目标。单发多框检测器(Single Shot multibox Detector,SSD)是目前速度最快、准确率最高的实时目标检测算法。它利用不同尺度、不同长宽比的区域候选框对不同大小、不同形状的目标进行检测。与原先流水线式的检测算法不同,为了提升检测速度,SSD直接让网络本身产生区域候选框,实现端对端的检测。区域候选框的选取与网络准确率息息相关,它会指引网络特征学习的方向。SSD作为一个通用的检测器利用各种尺度、各种形状的区域候选框将其输出空间离散化。但是,对特定数据集来说,现有区域候选框的选取必然存在冗余或者偏差。因此,根据检测目标设计合适的区域候选框,对于提升网络检测性能至关重要。本文针对上述问题,主要研究了目标检测网络SSD的区域候选框的设置。通过理论分析和实验验证,探究了如何根据数据集的分布设置区域候选框。论文分析了SSD网络区域候选框的设计对检测性能的影响,给出了区域候选框根据样本分布以及框的种类(形状、大小各异的框)设置的规则。具体表现为:种类过少会导致同一种候选区域框的回归机制的训练样本差异性太大,使得回归关系学习的不好,准确率下降;种类过多会导致相邻区域候选框的回归关系的学习互相干扰,导致准确率下降,并且参数量增多,导致模型复杂度增加,不易求得最优解。文中在应用实例部分,根据车辆检测数据集分布设计了区域候选框。新的设置使候选框更适合训练样本,网络的准确率和召回率相比原始模型都有提升。在此同时,网络参数量得到了进一步的减少。实验结果表明,重新选取的区域候选框可以减少背景噪声的干扰,在适当地增大IOU(intersection over union)匹配阈值后,网络的检测准确率大幅度提升。