利用深度学习技术对颅脑核磁共振图像(MRI)中三叉神经区域进行自动检测可为后续三叉神经分割提供可靠的输入图像，有效解决了人工筛选三叉神经对临床医生专业素养要求高、耗时长等弊端。采用YOLO网络自动检测颅脑核磁共振图像中三叉神经区域提高推理速度，并系统性地评估NVIDIA TensorRT框架在不同计算平台下的推理性能。实验结果表明，通过YOLO目标检测网络能够准确检测出三叉神经所在的区域，同时在NVIDIA TensorRT框架下，当输入的颅脑MRI分辨率为(204×204)时，CPU平台、嵌入式GPU平台、桌面GPU平台及专业GPU计算卡平台下，YOLOv2网络检测优化后的三叉神经目标的每秒帧率分别可达到0.1 FPS, 23.4 FPS, 112.5FPS和793.7 FPS，这为后续开发便携式的三叉神经分割设备提供了可参考的重要依据。

针对小型智能侦察无人机机载平台存在的计算力受限、检测速度较慢的问题, 提出了一种基于YOLOv3改进的目标检测算法。首先引入深度可分离卷积改进YOLOv3的骨干网络, 降低网络的参数和计算量, 提高算法的检测速度, 再根据机载视角下目标形状的特点, 预置K-means 产生先验框的初始聚类中心, 并在边框回归中引入CIoU损失函数, 将DIoU与NMS结合, 改善YOLOv3对密集目标的漏检问题, 最后再通过TensorRT优化加速后部署到英伟达Jetson TX2机载计算平台。实验结果表明, 所改进的算法在验证集上的平均精度均值(MAP)达到了82%, 检测速度从3.4帧/s提升到16帧/s, 满足实时性要求。