1.一种基于深度学习的目标检测方法，其特征在于：包括以下步骤：S1、创建训练集，初始化训练：包括模型初始化、初次训练和锚框优化，包括：S11、模型初始化：

使用moco‑v2模型先随机初始化，输入最初始图像，数据集可以为Pascal VOC、COCO，学习率定为0.05，迭代10000次，锚框初步定为25个位置、纵横比、规模的矩形框；

初次训练的损失函数为：

其中q为一个查询表示，k+为key样本的正样本，τ是一个温度超参数，N为样本数；

S12、优化锚，保存检测成功图片：

根据数据集中输入图片的groud‑truth值，将其中Iou值大于0.5的锚框保留，舍弃其余的锚框；

S13、提取目标：

将这些检测成功的图像的groud‑truth中候选框的目标全部裁剪出来；

S2、目标嵌入，重构训练集：包括图像增强和目标嵌入重组，训练模型，计算损失函数，更新模型的参数包括以下步骤：S21、图像增强：

S211、将裁剪出来的目标先进行一个翻转；

S212、进行色彩随机抖动，将每一个色彩信道中随机增加一个值；

S213、平均分为4或9等分，每一部分称为一个part，每一个part随机旋转10°到30°位置打乱；

S214、使用编码器将每个部分的特征提取出来，再整合为一个，再将其合成为新的图像，称为重构图像；

S22、目标嵌入重组：将检测出的原始图像候选框的目标称为原始图像，和重构图像组合到一起，成为组合目标集，原始图像称为l，重构图像称为p；

S3、训练模型，计算损失函数，更新模型的参数：包括对模型重新训练，计算损失函数，进行深度学习；

S4、重复S3。

2.根据权利要求1所述的一种基于深度学习的目标检测方法，其特征在于：所述S12中，Iou指的是两个区域重叠的部分除以两个区域的集合部分得出的结果Overlap代表重叠区域，Union代表两个区域的并集区域。

3.根据权利要求1所述的一种基于深度学习的目标检测方法，其特征在于：S3中，将组合目标集的图像进行对比学习，所述图像包括原始图像和原始图像，原始图像和重构图像，重构图像和重构图像。

4.根据权利要求3所述的一种基于深度学习的目标检测方法，其特征在于：所述目标嵌入的对比损失函数包括以下四种：原始图像和原始图像: 原始图像和重构图像：重构图像和重构

图像： ；

其中，符号 代表着对图像取特征。