随着计算机视觉领域的不断发展,基于图像的目标检测技术已经成为科研领域重点关注的话题之一。目前,该技术已广泛应用于视频监控、人工智能、图像识别等领域。在军事领域中,目标检测技术同样具有重要的研究意义。在军事行动中,由于地面战场环境的复杂性以及坦克装甲自身的伪装行为,加大了对坦克装甲目标的检测难度。因此,对复杂环境中的坦克装甲图像进行识别具有重要的研究意义。本文针对研究对象复杂环境中的坦克装甲图像,首先分析了基于复杂环境下坦克装甲的目标检测研究现状,然后对Faster R-CNN(Faster RegionBased Convolutional Neural Networks)算法进行了深入的学习研究,并在Faster R-CNN算法的基础上提出特征提取的改进算法和区域建议网络(Region Proposal Network,RPN)的改进算法,最后在数据集上分别对两种改进算法进行了实验验证,证明了改进算法的可行性。特征提取的改进算法是针对Faster R-CNN原始算法中只有一个特征提取网络的特点,提出将两个特征提取网络分别作用在区域建议网络和分类回归网络上,并在坦克装甲图像上进行实验检测。实验结果表明该改进算法的检测准确率比Faster R-CNN原始算法提高了3%。建议区域的改进算法是针对Faster R-CNN算法输出的建议区域质量较差、无效区域较多等问题提出的改进算法。实验结果表明改进算法输出的建议区域明显少于Faster R-CNN算法,而且在每张图像的检测时间上,改进算法减少了9ms,从而证明该改进算法的高效性。实验结果表明,针对Faster R-CNN原始算法的特点,提出特征提取改进算法和区域建议网络改进算法,最终达到准确高效地识别研究对象的目的。