目标识别是计算机视觉领域的重要研究方向之一,其目的是从图像或视频中检测出某一类别的目标。由于卷积神经网络在特征提取效果上明显优于传统特征提取方法,基于卷积神经网络的目标检测算法的整体性能更佳,所以近年来,基于卷积神经网络的目标检测算法逐步取代了基于传统特征提取方法的目标检测算法。本文主要基于Faster R-CNN算法存在的若干问题展开研究,以提升检测准确率,主要工作如下:分析了特征提取网络算法的不足,引入skip layer连接方式,使网络能够提取到多尺度的特征,进而提升了网络检测小目标的能力;分析了候选区生成网络在训练过程中固有的正负样本不平衡的问题,通过改变网络结构并利用在线负样本挖掘来缓解该问题,同时使用数据增强等正则化方法解决网络训练过程中的过拟合问题,提升网络的在测试集中的泛化能力。而在后处理阶段,针对非极大值抑制算法检测相邻物体时会产生漏检的问题,采用高斯和线性赋值函数对原方法加以改进,提高了网络检测相邻物体的能力。最终使用PASCAL VOC数据集对改进算法进行测试,结果表明采用了skip layer连接后形成的多尺度特征有助于提升小物体的检测率,从而提升了算法的检测准确率;在训练过程中采用在线负样本挖掘和数据增强等正则化方法,能够有效缓解训练过程中正负样本的不均衡和过拟合问题,提高检测的准确率;对后处理阶段的NMS算法加以改良,能够在不重新训练模型的情况下提升算法性能。后续的工作将重点解决算法的实时性问题。