计算机视觉领域作为一个新兴技术正在不断发展与进步,其中目标检测任务是计算机视觉中十分基础同时又特别重要的一个研究领域,在监视与跟踪、医学影像分析、机器人导航、国防系统（目标自动识别）等多个领域有着必不可少的作用。目标检测的任务就是在所给定的图片中找出目标的具体位置,同时在目标上标记出其属于哪一种类。尽管随着深度学习的发展不断涌现出新的算法,但对于通用目标检测领域来说还具有很大的挑战。本文详细地阐述了基于深度学习下目标检测算法原理,并对一阶段的目标检测算法做具体分析,提出优化和改进。主要内容如下:（1）介绍了传统的检测算法和在深度学习技术发展下的目标检测算法。将目前主流的目标检测算法做归纳与总结,对卷积神经网络的各个模块的原理做出系统的讲述,深入研究了基于候选区域的两阶段目标检测算法和基于回归的一阶段目标检测算法。（2）提出基于多级特征金字塔网络的改进SSD目标检测算法。由于SSD算法在面对目标检测中广泛的尺度变化问题的时候,检测效果不佳,本文提出基于多级特征金字塔网络的改进SSD目标检测算法。改进的算法在原SSD网络结构的基础上,设计了一个交替连接的增强型FPN模块和特征融合模块,从每个增强型FPN模块输出的各个多尺度特征再进行尺度特征聚合,构造出一个多级特征金字塔网络完成最终的检测。实验表明,改进的算法对各个尺度的检测精度均有所提高,尤其是对小目标的检测,效果明显。（3）提出一种改进型YOLOv3目标检测算法。尽管YOLOv3算法在目标检测方面速度很快,但由于检测任务中复杂的环境与背景,往往存在边界框的定位不够准确、对小目标的检测精度不高等问题,本文以YOLOv3算法为基础,提出一种改进的YOLOv3目标检测算法。首先将主干网络融合跨阶段局部网络CSPNet来增强网络的特征学习能力;然后引入一种改进的空间金字塔池化结构来增强特征提取能力,充分利用网络的多尺度局部区域特征;最后在损失函数中融入focal loss来针对正负样本不均衡所带来的问题。实验表明,改进的YOLOv3算法在检测性能上优于原算法。