目标检测是计算机视觉中的一个研究热点,卷积神经网络由于其丰富特征学习层次和多样的特征表达能力,其在目标检测领域被广泛使用。目标检测的主要目的是从图片或视频中检测、定位并标记目标。它综合运用了图像处理、目标定位、目标识别等技术,在很多领域都有着广泛的应用。现有的目标检测算法主要分为两大类,一类为以R-CNN为代表的目标检测方法。该类检测方法的特点是检测精度较高,但是检测速度较慢;另一类是以YOLO、SSD为代表的目标检测方法。其检测速度较快,但是检测精度不够高。因此,目前的两类目标检测方法都无法同时达到检测速度快和检测精度高的要求。本文从计算复杂度、检测速度和检测精度出发,以现有YOLO目标检测算法为基础,对目标检测算法进行研究和改进。论文首先研究目前目标检测中的以R-CNN、YOLO等为代表的主流目标检测的基本框架和方法原理,分析目标检测过程中部分的算法,深入研究影响检测速度和精度的多项因素,结合多种目标检测方法,对以YOLO为基础的目标检测算法进行改进。对常用的Io U算法进行了改进,增加了面积和距离式参数,弥补了其在训练初期和末期失去衡量预测框优劣功能的缺点;对金字塔式特征提取网络进行了改进,增加了不同尺度间特征图的信息交流,通过改变特征融合方式,一定程度上丰富了特征图中不同大小的目标的信息。本文使用了PASCAL VOC数据集作为训练和验证数据集,通过实验验证,对于Io U算法的改进,其检测效果的提升达到了4.3%,对于特征提取网络的改进,检测效果的提升达到了3.1%。其两方面优化改进进行融合后,整体的检测效果提升达到了4.9%。在算法总得复杂度基本不变的前提下,总体提高了目标检测算法的检测性能。