随着计算机视觉和深度学习的发展，基于计算机视觉的视障人士辅助系统开始萌芽。目前，基于深度学习的目标检测算法已经取得了巨大成就，但其依赖GPU的强大计算能力，无法独立地在硬件性能受限的视障人士辅助系统中应用。针对计算能力与检测效果之间的矛盾，本文提出了基于云平台的室内环境目标检测系统，通过智能终端与云平台相互协作的方式完成高性能的目标检测系统，具有很强的理论与现实意义。
　　本文所设计的基于云平台的室内环境目标检测系统包括智能终端和云平台两部分。智能终端由摄像头、显示屏、惯性测量单元、主控芯片和其他部件组成，主要完成图像采集、关键帧检测、显著性检测、图像传输与检测结果显示等功能。云平台配置了四个Titan XP高性能GPU显卡，主要完成基于深度学习的目标检测任务。
　　输入图像分辨率越高，目标检测算法得到的检测效果越好。针对高分辨率与低传输效率之间的矛盾，本文提出了改进的基于区域的显著性检测算法，用于对原始图像进行裁剪。显著性检测算法分为固定点预测和区域预测两大类，基于区域预测的显著性检测算法更符合图像裁剪的应用场景。本文通过降低图像色阶以减少显著图计算量，同时采用分水岭分割算法做后处理，得到更精确的显著区域，用于图像裁剪，从而降低网络传输负担，提升目标检测效果。
　　基于深度学习的目标检测算法分为一阶段和二阶段两种类型。一阶段算法直接对物体进行定位与识别，二阶段算法先提取候选区域，再对候选区域进行分类。一阶段目标检测算法执行效率高，但检测精度有待提高。本文提出了改进的一阶段目标检测算法，在YOLOv2的基础上设计更高精度的网络结构，提升目标检测的精度。通过引入反卷积网络融合多层特征，有效提升了浅层特征图表征能力。同时，在交叉熵损失函数的基础上建立更加合理的焦点损失函数，降低分类样本不平衡对模型训练带来的影响。通过上述改进，形成了效果更好的目标检测模型。实验结果表明，本文提出的目标检测算法在检测精度上优于YOLOv2，边界框定位更加准确，但执行效率稍有降低。本文将显著性检测算法移植到智能终端，将目标检测算法移植到云平台。最终完成基于云平台的室内环境目标检测系统设计。
　　最后，本文对本课题所开展的研究工作进行了总结，并展望了未来的研究方向。