近年来,计算机视觉技术蓬勃发展。目标检测作为其中的代表性研究方向,在交通、医疗和军事等领域发挥了重要作用。随着计算机硬件能力的提升和目标检测算法不断的推陈出新,检测的精度和效率也不断得到了提高。在目标检测中,比较常用的数据集是MS-COCO和PASCAL VOC等,大多数检测算法基于这些数据集而提出,这些数据集的共同特点是图像分辨率相对较低,平均每张图像的分辨率在500×500像素左右。然而,硬件技术的提升也导致了拍摄图像分辨率的提高。尽管这些检测算法在低分辨率数据集上有不错的表现,但是在高分辨率图像上却会面临不小的挑战。一方面,真实的图像场景中可能包含许多小目标,这些小目标所占面积小,容易被漏检,进而影响检测精度。另一方面,图像分辨率的提高会导致计算量大大增加,进而影响检测效率。因此,在高分辨率图像中,小目标的检测和整体的检测效率问题无疑是两大难点。基于上述难点,本文的主要工作如下:（1）传统的YOLOv3采用了多尺度的检测方法来融合不同特征图之间的特征信息,以此来提高检测精度。但是由于在YOLOv3中,三个尺度均与特征提取网络较深层的结构相连,导致在高分辨率图像中损失了部分小目标的特征信息,造成漏检。因此,本文向上调整了YOLOv3的多尺度检测部分,将其中两个尺度与较浅层的网络相连,用于保留更多小目标的信息,以此来提高小目标的检测能力。同时,在特征提取网络中加入了空洞卷积模块,采用三个不同空洞率的卷积组来融合特征,对于小目标来说,可以利用目标的空间上下文信息进一步提高小目标的检测精度。实验表明对YOLOv3的改进提高了目标（特别是小目标）的检测精度。（2）受到计算机硬件资源的限制,较高分辨率的图像无法直接作为目标检测网络的输入,而若直接将高分辨率图像下采样后作为检测网络的输入,也会造成目标信息的损失。在本文中,首先将高分辨率图像切分成了若干个子图,然后引入了由粗到精的检测策略,大大提高了检测的效率。该策略在特征提取部分加入一个粗检测模块,用于过滤掉一些不含目标的子图。粗检测模块用以计算子图含有目标的置信度,对于置信度高的子图,表明有较大可能存在目标,而置信度低的子图很有可能是背景区域,在后续的步骤中,只对高置信度的子图继续进行特征提取。最后再在这些经过完整特征提取的特征图上进行精细检测。通过粗检测对子图的过滤,大幅提高了检测的效率。（3）为进一步提高高分辨率图像中的目标检测效率,本文基于知识蒸馏,提出了基于图像蒸馏的目标检测方法。与传统的知识蒸馏思路不同的是,本文将原始图像切块后的子图当作教师网络的输入,把子图按一定比例下采样后的图像当作学生网络的输入,而让教师网络和学生网络的结构保持一致。该方法通过教师网络对学生网络的指导训练,实现了在保持较高检测精度的同时达到更高检测效率的目的。本文共有图25幅,表13个,参考文献56篇。