人工智能(Artificial Intelligence,AI)是目前的计算机行业中研究的热门方向之一,其中的深度学习目标检测算法的发展速度已经超乎了人们的想象。深度学习(Deep Learning)作为其领域之一,最近几年由于计算机硬件的快速发展而吸引了很多人的注意力。其中利用卷积神经网络的目标检测算法已经成为深度学习中一个流行且热门的研究分支,最近几年也取得了突破性进展和优异的成果。目标检测的目的就是将图像信息中的目标物体进行分类和坐标定位。卷积神经网络(Convolutional Neural Networks,CNN)实现了数据信息处理的端到端技术,能够完成语音、图像、文本等数据信息特征的自动提取,此方法越来越多被应用于目标检测算法中。但是该网络的劣势之处在于包括的层数越多,其拥有的计算参数也越多,其计算量巨大,从而导致在硬件计算力相对薄弱的机器设备中难以得到充分的训练,致使算法模型无法实时运行。为此,本文做了如下研究分析:(1)研究分析了卷积神经网络架构的基本组成原理和运算法则。分析卷积神经网络的基本原理,解析网络层、函数等具体运用策略;总结了目前常见的一些目标检测算法基础网络和模型。(2)提出一种优化的目标检测算法模型OSSD(Optimized Single Shot MultiBox Detector)。分析出原始SSD算法模型的基础网络VGG-16的层数较多和计算参数量较大,并在此基础上对神经网络层数和卷积核做优化调整;本文添加了一个预测模块,对特征信息进一步提取。这两个方面的改进在检测精度上都有所提高。(3)设计了一个实时目标检测系统。在深度学习Caffe框架中使用训练好的目标检测caffemodel,搭建了一个实时检测识别系统。该系统可以对模型中存在的物体类别进行很好的识别和定位,实现了端到端的实时物体检测。