1、圖像目標(biāo)檢測(cè)是計(jì)算機(jī)視覺信息處理的基本問題，是行為理解、場(chǎng)景分類和視頻內(nèi)容檢索等其他高級(jí)復(fù)雜視覺問題的基礎(chǔ)，具有學(xué)術(shù)研究與實(shí)踐應(yīng)用的雙重意義。論文針對(duì)目前圖像目標(biāo)檢測(cè)中的技術(shù)難點(diǎn)問題，研究基于多層次特征融合區(qū)域生成網(wǎng)絡(luò)的候選區(qū)域獲取方法，解決復(fù)雜背景干擾問題；研究多尺度自適應(yīng)特征提取方法，解決人工特征設(shè)計(jì)難以及目標(biāo)多尺度問題；研究多任務(wù)回歸器的設(shè)計(jì)方法，解決圖像目標(biāo)檢測(cè)中待檢測(cè)目標(biāo)難分類的問題。論文主要工作如下：
　　在候選區(qū)域提

2、取層面上，待檢測(cè)目標(biāo)圖像存在復(fù)雜背景和無(wú)關(guān)信息干擾問題，論文采用基于多層次特征融合的區(qū)域生成網(wǎng)絡(luò)（multi-level feature fusion region proposals network，MFF-RPN）模型對(duì)待檢測(cè)目標(biāo)圖像進(jìn)行候選區(qū)域的提取，通過對(duì)模型提取到的底層特征進(jìn)行平均池化操作以及對(duì)模型提取到的高層特征進(jìn)行反卷積操作，將底層特征和高層特征保持在相同的分辨率下。然后通過局部響應(yīng)歸一化將底層特征和高層特征壓縮至同一特征

3、空間下。最終將傳統(tǒng)區(qū)域生成網(wǎng)絡(luò)分類層和檢測(cè)層前加入感興趣區(qū)域（region of interest，ROI）池化層和全連接層，提取更細(xì)致的區(qū)域特征，獲取少量精致的候選區(qū)域，剔除復(fù)雜背景和無(wú)關(guān)信息的干擾。
　　在特征提取層面上，由于待檢測(cè)圖像中目標(biāo)距離、光照條件的不同造成傳統(tǒng)人工特征難以設(shè)計(jì)，論文針對(duì)此問題構(gòu)建一種多尺度卷積神經(jīng)網(wǎng)絡(luò)模型，在網(wǎng)絡(luò)中構(gòu)建不同尺度的卷積層，即在底層卷積層設(shè)置較小的卷積核，提取更多底層位置細(xì)節(jié)信息，在高層卷

4、積層設(shè)置較大卷積核，提取待檢測(cè)目標(biāo)全局類別模式特征，最終連接ROI池化層將待檢測(cè)目標(biāo)整體特征映射至同一特征圖中，構(gòu)造多尺度特征，自動(dòng)獲取待檢測(cè)圖像的復(fù)雜抽象特征，有效解決待檢測(cè)圖像目標(biāo)檢測(cè)特征難提取的問題。
　　在分類檢測(cè)層面上，論文提出一種多任務(wù)分類回歸器，將候選框特征提取，目標(biāo)分類和檢測(cè)任務(wù)統(tǒng)一在深度學(xué)習(xí)框架下，建立一種圖像目標(biāo)特征與目標(biāo)分類檢測(cè)模式之間的復(fù)雜映射機(jī)制，并利用非極大抑制方法獲取最終得分較高的目標(biāo)檢測(cè)區(qū)域，提高分