伴随着计算机视觉的快速发展,目标检测作为其重要的组成部分,同样取得了突破性进展。传统的目标检测方法由于基于滑动窗口的候选区域没有针对性,且手工设计的特征对于背景复杂的情况不具有很好的鲁棒性,进而影响目标检测的性能。近几年由于深度学习的快速发展,并成为一个有力的工具来帮助人们在图像识别领域取得更多的研究和进展。而由于卷积神经网络强大的特征表达能力,在提取特征方面具有很强的鲁棒性,越来越多的被应用于目标检测算法中。目前基于深度学习的目标检测主要有两种,一种是基于候选区域的方法,一种是基于回归的方法。这两种方法的代表方法分别是Faster R-CNN算法和SSD算法。相比于传统的目标检测算法,基于深度学习的目标检测算法在检测的速度和精度上有着巨大的提升。本文主要使用这两种算法对验证码数据集和绝缘子数据集进行研究,并通过实验进行验证。对于验证码数据集,提出了基于Faster R-CNN算法的验证码识别方案,并通过实验验证算法的有效性。同时本文在传统的经典网络结构的基础上,通过增加网络层数和设计新的锚点方案,提升验证码识别的准确率,并通过实验进行验证。对于绝缘子数据,通过实验对比FasterR-CNN算法和SSD算法在绝缘子识别上的优劣,最终选择SSD算法作为绝缘子检测的算法。同时利用RANSAC算法设计缺失绝缘子检测算法,结合SSD算法实现对绝缘子图片中缺失绝缘子的定位。最后本文利用编程语言编写了一个缺失绝缘子检测软件,能实现自动加载检测模型对图片,文件夹和视频的检测,效果良好。