随着人工智能技术的不断发展,如何让机器人能够更加精准的感知周围信息已经成为一项关键研究,目标检测和定位技术成为人工智能领域的一个热点问题,在众多领域都有着广泛的应用前景和非常巨大的市场价值。利用该技术可以进行自动驾驶辅助、无人机、虚拟互动和军事侦察等领域。本文对目标检测算法、双目立体匹配算法进行深入的理论研究,将深度学习的目标检测算法和立体匹配算法相结合实现目标检测和定位功能,并对现存问题提供解决思路。现有基于深度学习的目标检测算法,在快速、准确的实现目标检测这一任务的同时,需要消耗大量的计算资源,同时运算模型参数量较大,这也就使得基于深度学习的目标检测算法在未来应用面临巨大的挑战。针对于此,本文在基于回归思想的YOLO v3的目标检测算法的网络基础上,结合Mobile Net v2轻量级网络进行特征提取,提出了基于倒置残差分离卷积的YOLO v3网络结构;并针对深度可分离卷积特征提取较为稀疏导致预测精度偏低问题,将深度可分离卷积和残差结构结合设计预测分支网络,有效的提高了目标检测精度。同时,考虑到图像中的目标大小对损失函数造成的影响不同,设计了变尺度权重的GIo U损失函数,将预测出来的候选窗的大小作为权重计算依据。实验结果表明,改进后的网络结构参数量减小,运行速度显著提高,同时保持良好的检测精度。立体匹配算法包含局部立体匹配算法和全局立体匹配算法,局部立体匹配算法有局部立体匹配算法中以自适应支持窗口和自适应支持权重两种代价聚合方法为主。自适应窗口依靠颜色阈值作为判断依据,使得在边缘处的像素点的交叉区域窗口会包含较多无关区域,这就对后续的视差值计算造成干扰。对此,本文提出边缘约束的自适应引导滤波局部立体匹配算法,将引导图滤波与自适应区域的代价聚合算法相结合,构建自适应引导滤波,以此来保证代价聚合的过程中包含着更多的有效窗口,充分利用局部特征的差异性,并采用线性阈值的方法进行计算颜色阈值,同时在边界点处设置臂长最大延伸阈值,使得边界点处包含更多有效像素的信息,有利于对视差图边缘保护。本文将深度学习的目标检测算法和立体匹配算法结合,实现了通过双目相机进行目标检测,计算得到目标与相机的相对位姿,从而实现了目标检测和定位功能。并进一步对本文所提出的目标检测算法和立体匹配算法相结合进行室内定位实验分析。