随着科技发展,目标检测的检测精度和速度逐步提高,但其在高速运动场景、光线明亮或昏暗场景下检测效果不如人意。近些年兴起的事件相机,通过感知光线强度变化输出事件,良好地解决了光线条件不足和无法捕捉高速运动的问题。针对此问题,本文利用动态视觉传感器,提出了两种基于事件的端到端目标检测算法,并从事件处理、特征提取、特征分类等方面对算法进行了创新与改进。首先,本文介绍了事件相机的种类、工作原理和优势,并建立动态视觉传感器的数学模型。通过对输出事件的分析,从离散和连续两个角度对事件流进行处理,提出两种事件处理模型,即积分模型和Leaky Surface模型。其次,本文提出了两种基于事件的目标检测算法,即基于事件的改进HOG+SVM目标检测算法和基于事件的深度学习检测算法Event-YOLO。改进HOG+SVM目标检测算法主要通过事件处理模型将事件转为灰度图,采用改进的HOG特征进行特征提取,加强了整体特征提取,降低了局部细节特征的注意力。最后通过组合支持向量机,实现多个目标的检测与分类。Event-YOLO检测方法则是在YOLO网络基础上加入Leaky Surface模型,实现对事件的处理,并设计了基于事件的卷积层、最大池化层和全连接层,将其组合在一起,实现了基于事件的卷积神经网络的目标检测。最后,本文采用了MINST-DVS、POKER-DVS、CIFAR10-DVS、组合MINSTDVS等事件数据集,通过对数据集的修改与调整,实现了单目标检测、多目标检测、快速运动场景、实际生活背景的目标检测功能。在MINST-DVS和组合MINSTDVS数据集中,检测效果更是在90%以上,验证了动态视觉传感器在目标检测领域的可行性。