对象检测技术是计算机视觉领域中的一个重要分支,对机器视觉、智能交通、数字安防等多个领域提供了重要的技术支持。例如在实现智能驾驶上,必须通过对象检测技术快速分析出周围的物体和环境,以便迅速做出决策,实现智能检测与安全驾驶的全过程。随着人工智能(Artificial Intelligence,AI)的蓬勃发展,特别是近几年深度学习研究成果不断涌现,给AI带来了无限的前景。学者们结合区域卷积神经网络(Regions with CNN,RCNN)研究对象检测算法,使对象检测的速度和精度得到了显著的提升。同时,随着大数据时代的到来,音频、图像和视频等多媒体数字作品在网络上发布与传播的数据量每年都以几何级数增长,如何防止多媒体作品的伪造与侵权是一个突出难题。面对海量多媒体信息,人工监控和鉴别手段存在严重不足,数字水印技术成为解决该问题的一种关键手段。由于传统数字水印提供全图像的保护方式,降低了检测速度,在海量的互联网数据处理中无法满足快速篡改检测的要求。在近十几年的数字水印技术发展历程中,学者们逐渐致力于研究感兴趣区域水印,在理解图像的基础上提高了水印的运算速度。本文在感兴趣区域水印技术的基础上,提出了一种基于对象区域的水印方法,在充分理解图像内容的基础上,实现关键区域的快速水印算法。本文对对象检测和数字水印技术进行了充分调研,紧密结合对象检测与数字水印技术,做了如下几个方面的研究:(1)设计了一种对象检测的深度网络。首先,通过图像块的融合提取候选区域,采用选择性搜索策略取代滑动窗口的搜索方法。其次,采用批规范化层减少网络训练的迭代次数。最后,在误差函数中综合边框回归与类别预测,实现对象的定位和分类。(2)提出了一种快速收敛的多类别检测算法。通过对数据集进行预处理,以减少算法计算量。在每一层卷积后,采用批规范化处理,把数据归一化到原点附近。最终实现多类别预测、多对象定位,保证算法的训练速度快、检测效果好。(3)提出了一种基于对象区域的水印保护方案。该方案突出保护图像中的重点对象与区域,通过离散余弦变换(Discrete Cosine Transform,DCT)提取反映对象水平、垂直和对角纹理的特征,进而生成对象区域水印。采用位置校准和重叠处理方法,避免在对象水印中出现位移和对象重叠的问题。