随着近十几年的发展,机器学习逐渐成为目标检测主要方法。而卷积神经网络作为机器学习中的重要算法得到了广泛的关注。卷积神经网络是一种特殊的人工神经网络,它是将人工神经网络与卷积操作相结合而成的一种新型网络。卷积神经网络具有稀疏连接与权值共享的特性,使得网络参数数量大大减少。卷积神经网络在各种目标的识别以及对扭曲和变形的处理上表现出了良好的效果。因此,研究者们对卷积神经网络进行了大量的学习与研究,并提出了许多基于卷积神经网络的检测方法与模型,且都获得了很好的检测结果。虽然卷积神经网络表现出解决多类问题的强大的能力,但是在检测多个尺度上的对象方面还需要多加研究。基于Region Proposal卷积神经网络的多尺度目标检测算法能够检测图像中不同尺度的目标并提高检测速度。该网络由两个子网络组成:候选区域提取子网络和目标检测子网络。它们都是端到端的学习和共享计算。候选区域提取子网络结合了MSCNN的多尺度策略以及RPN方法,用多个输出层来执行候选区域检测,每个输出层集中于某些尺度范围内的目标,然后将不同输出层处的互补检测器组合以形成强多尺度检测器得到最终候选区域,实现了多尺度的候选区域检测;目标检测网络以候选区域提取子网络得到的候选区域以及卷积神经网络特征图为输入,经过ROI池化以及softmax分类和边框回归,得到最终的分类和定位结果。在目标检测网络中,CNN特征图近似使用特征上采样代替输入上采样,增加去卷积层来增加特征图的分辨率,使得小物体能够产生较强的响应区域。实验结果显示,该网络能有效检测图像中不同尺度的目标,实现了多尺度目标检测的功能,并且与现有目标检测方案显示出较高的准确率和较快的速度。基于回归卷积神经网络的多尺度目标检测算法针对SSD对小尺度目标检测的缺陷,对SSD模型进行了改进。利用低层网络保留图像细节的特点,网络模型增加了低层CNN特征图信息用来进行小目标的检测。在网络的训练中使用了不同的数据增强方案来提高训练效率。在PACAL VOC2012与MS COCO两个数据集上对网络进行了实验,分析了数据增强方案对目标检测效果的影响并与SSD、YOLO进行比较证明了网络的有效性。