近年来,随着我国智慧城市、安全城市的建设,涉及安防技术的产业已经成为新时代经济建设的重要组成部分。然而,传统的安防技术在安全和便捷方面已经很难满足社会的需求,基于深度学习的视觉安防体系逐渐受到重视。在现阶段的视觉安防领域,目标检测方法已受到越来越多研究学者的关注,但是在一些场景下,目前的安防技术仍然很难做到实时、准确地检测目标。一旦对威胁等级高的目标出现漏检、错检,将对布防区域带来巨大安全隐患。因此,安防视频需要做到实时、准确地对区域进行监控,尽可能提高监控区域的安全等级。本文主要研究了视频的目标检测算法,基于深度学习方法,以大量公开的图像、视频数据集和真实场景下的监控视频作为研究对象,对用于监控视频的目标检测算法进行研究与优化,实现了对安防监控视频的实时准确地目标检测,论文主要研究内容和成果如下:1.针对VGG网络结构中过拟合问题和SSD检测器难以检测弱小目标的问题,提出了一种改进的RSSD目标检测模型,减少了网络结构中的参数量,有效提升了模型对图像特征的提取能力。实验结果表明,提出的RSSD目标检测模型优于SSD模型,提高了目标的检测精度,并且该模型对图像中小目标的检测更加敏感。2.针对安防视频场景中目标之间相互遮挡导致的错检和漏检问题,提出了一种基于变体IOU的损失函数,用于替换现有模型中的正则化损失函数,新的损失函数可以更好地减小同一检测目标的预测框与真实框间的距离,从而降低错检和误检率。实验结果表明,提出的变体IOU损失函数适用于现有的目标检测模型,提高了模型在目标遮挡情况下的检测鲁棒性和检测精度。3.针对视频目标检测技术在工程应用上对硬件设备要求较高的问题。在Jeston TX2嵌入式平台上实现了一种RSSD-IOU目标检测算法,将RSSD模型与变体IOU损失函数整合为一体进行压缩,搭载在Jeston TX2硬件设备上。实验证明该算法的检测速度在Jeston TX2上能够满足实际需求,且性能稳定。