目标检测作为计算机视觉的基础性研究,近年来目标检测在精度和速度方面不断提高,并且在智能驾驶、安全检查等相关方面已经部署应用。本文主要探究在大型养殖场和安防场景中目标检测的应用。前人所做的相关研究主要集中在使用传统的特征提取方法和分类器进行目标检测或采用深度网络加可见光图像的方式。这些方式都有一定的局限性,一是传统目标检测方法相对于深度学习方法精度较低,二是可见光图像在黑暗场景下将无法完成检测。所以本文主要对大型养殖场和安防场景两大现实场景中采集的红外数据使用深度卷积神经网络进行目标检测和模型轻量化研究。针对大型养殖场体征异常禽类检测,由于被检测目标的特殊性,本文采用了热成像仪采集的热成像数据。选用了基于Mask R-CNN的算法进行体征异常禽类检测,通过模型微调,限制单张图片的检出数量等方式,降低了热成像图像中噪声的影响,提高了检测准确率。同时基于本应用场景,本文也提出了搭载检测算法的实体模型和系统整体方案。针对安防场景下的车辆目标检测,由于检测场景的特殊性,本文采用了无人机搭载红外传感器采集的红外图像。选用了检测速度方面更加突出的YOLO算法,通过引入MobileNet网络的思想,对检测模型进行轻量化处理,降低检测模型需要的计算量,使得将模型部署到移动端成为可能。通过将最新的智能化算法应用到特殊的现实场景中,以期帮助人们提高生产效率,改善人民的生活水平具有十分重要的意义。