目标检测是计算机视觉领域的一个重要研究方向,在无人驾驶、视频监控等领域有着重要的应用价值。但是长期以来,受到各种技术的限制,目标检测技术发展缓慢。近年来,卷积神经网络凭借着其良好的泛化能力与优秀的特征表征能力,再次将目标检测推入了大众的视野之中。本文对基于卷积神经网络的目标检测算法进行了研究,先是对卷积神经网络的基础理论做了简要介绍,然后分析了主流目标检测算法的原理及优缺点。接着,本文针对Tiny-YOLO算法存在的对检测精度不高,容易对中小目标产生错检及漏检的问题,提出了改进算法Mini-YOLO。Mini-YOLO模型的结构分为特征提取网络和目标检测网络两个部分。在特征提取部分,本文对Tiny-YOLO模型的主干网络进行了修改,使得其能够更好的对输入图像进行特征提取,从而提高信息的利用率,进而改善模型的检测精度。另外,本文在特征提取网络中添加了特征融合层以改善模型对中小目标的的识别率。在目标检测部分,本文简要介绍了其检测过程,并详细说明了anchor box以及NMS算法的工作原理。然后通过在VOC2007数据集上对改进前后的模型分别进行训练与测试,分析对比各项性能评价指标,验证了Mini-YOLO能够有效的改善模型的漏检率、错检率以及对中小目标的识别率。针对真实场景中的车辆及行人检测问题,本文设计了基于Mini-YOLO的车辆及行人检测网络。首先采用了数据增广的方法解决了训练集中样本不平衡的问题,并对新增样本进行标注,从而构建了有效的行人和车辆数据集。然后采用k-means算法对真实边框进行聚类,从而确定先验框的尺寸。最后,通过选取真实场景中的图片进行测试,验证了本文中基于Mini-YOLO的车辆及行人检测网络是有效可行的,能够将其投入到实际工程应用中。