随着深度学习技术的不断发展,对特定目标检测的准确性和检测速度都得到了极大的提升,用于军事侦测的目标检测技术也逐渐落地。迷彩作为一种伪装手段常用于保护己方作战单位,它能够使伪装目标的反射光波同周围景物发射的光波相似,从而达到迷惑敌人的效果。在卫星可见光图像中,使用了迷彩的目标是否可以影响目标检测的检测结果是一个值得研究的安全问题。本文收集相关的卫星可见光图像数据,使用最新的目标检测技术,对迷彩目标进行检测,同时设计测试迷彩对目标检测影响的相关实验。在实验中我们提出了有着不同特征提取过程的网络模型DFE-YOLOv3,以增加实验结论的有效性,通过一系列实验以及对数据的分析,我们证明了卫星可见光图像中的迷彩不能影响目标检测的检测准确率。除了使用目标检测算法对迷彩目标进行检测研究外,本文还对目标检测算法本身进行了优化,优化包括四个方面:可用性、速度、性价比和准确率。在可用性的研究中,本文对目标检测网络设计了新型的学习目标,使模型对不同尺寸的输入都能有符合预期的检测结果,根据本文方法修改的网络可以接受多尺寸的输入图像,有利于控制所需要的计算资源,便于模型进行不同平台的移植,从而提升了模型可用性。在速度提升的研究中,本文对目标检测的消除重复框阶段进行了研究,在分析了交并比的计算过程后,通过科学的建模,分析出了对于一个已知尺寸的框,能与其达到指定交并比的未知尺寸的框的分布必定限于一个范围内,并且建立了该已知框的尺寸与该范围的函数关系。本文基于此函数关系提出了一种新的非极大值抑制算法,该算法会根据框的交并比分布信息减少交并比的计算次数,相比传统的非极大值抑制算法,该算法可以将时间复杂度从O(9)~2)降低到O(9)),极大的降低了消除重复框阶段的耗时。在性价比的研究中,本文调研了多种轻量化网络模块与准确率提升模块,通过设计模块替换实验验证了它们在模型上的效果,同时通过组合模块,构建了一套让准确率维持不变而耗时降低一半的方案,有效地提升了网络的性价比。在准确率提升的研究中,本文分析了传统方法对输出框的处理所存在的问题,提出了自适应置信度阈值方法来处理最终输出。通过使用机器学习相关方法对模型的性能分布进行建模,提升了预测的准确率,同时有效地减少了人力挑选阈值的工作量。