目标检测，作为计算机视觉领域的传统研究方向，在行人检测、人脸识别、安防视频监控及遥感图像等邻域一直都有着广泛的应用。研究人员对传统目标检测算法的研究一般侧重于特征提取和分类器构建两个环节，其中特征提取的算法往往对系统性能起着决定性的影响，导致面对复杂多变的应用环境时，基于传统算法的单目标检测系统很难取得理想的应用效果。近年来，由于车辆自动驾驶、机器人环境感知等新兴领域的发展需要，深度学习这一工具由于其端到端优化、提取的特征表征能力强等优势得到了广泛应用，使得基于深度学习的目标检测算法成为了新一轮的科研热点。本文的主要工作和创新点：
　　本文首先对传统目标检测算法和基于深度学习的目标检测算法分别进行了详细阐述。针对传统算法领域，本文对基于可变部件模型的目标检测算法和基于哈尔小波特征的自适应增强级联人脸检测算法进行了详细分析;针对基于深度学习的目标检测算法，本文依据卷积神经网络的用途将其划分为基于分类和基于回归的卷积神经网络目标检测算法两个类别进行详细介绍。
　　其次针对实时性目标检测模型 YOLO 模型存在的收敛速度慢、检测率低的问题，本文通过YOLO模型的网络结构和训练过程进行分析，创新性的将Dropout规范化用批量规范化层来替代，提出了收敛速度更快、检测准确率更高的 BN-YOLO模型。
　　最后提出了基于BN-YOLO模型的车辆及行人检测算法。通过将BN-YOLO模型在自建的车辆及行人数据集上进行训练，并在训练过程中采用多尺度训练策略，以此得到的MS-BNYOLO模型不仅具有收敛速度快、离线推理时间短、准确率高的优点，而且模型对不同尺度的输入图像都具有良好的检测效果，并可以实现对图像中多种尺度目标的检测。