卷积神经网络是深度学习理论的重要组成部分,其已经由简单的几层网络发展为几百层的深度网络。目前,深度卷积神经网络因其优异的特征提取能力被广泛应用于计算机视觉领域,尤其是在目标检测中使用深度卷积神经网络的方法已成为当前的主流研究方向。本文对基于深度卷积神经网络的目标检测算法展开研究,提出了改进的Faster R-CNN算法和改进的Single Shot Multi Box Detector(SSD)算法,具体的工作内容如下所述:1.针对Faster R-CNN算法对小目标、遮挡或截断目标以及不易识别的物体检测效果差的问题,提出改进的Faster R-CNN算法。具体改进为:首先,在特征提取模块,使用Res Net-101网络替换VGG16网络提高特征提取能力;其次,在目标定位模块,使用更精准的建议框生成法和更严谨的区域重要性评分机制减少目标的漏检;再次,在目标识别模块,使用难分样本的loss值做反向传播,提升算法对困难样本的识别效果。通过将改进模型在VOC数据集上做测试,实验结果表明,改进后的Faster R-CNN算法提高了目标检测精度。同时,将改进模型在自动驾驶数据集中测试,实验结果证明,改进的Faster R-CNN算法在无人驾驶环境感知中具有良好的实用性。2.针对SSD算法在应用于移动端目标检测时,存在的检测速度低、模型参数多的问题,提出改进的SSD算法。具体改进为:首先,为了压缩网络模型,使用可分离卷积的Mobile Net＿Merge BN作为特征提取网络;其次,为了在提升检测速度的同时不降低其检测精度,加入尺度变换和随机采样的数据预处理方法;再次,在网络模型的训练阶段使用核的稀疏化算法,减少冗余权重、减小模型容量。实验结果证明,改进SSD算法不仅提高了检测速度、降低了模型容量,而且保证了检测精度,适用于移动端的目标检测。3.针对改进的SSD算法在移动端的实现问题,使用Android Studio调用Open CV的DNN模块在移动端构建应用软件,并在该软件中载入提前训练完成的改进的SSD网络模型,进而在移动端实现目标的实时检测。