随着信息技术的迅速发展，体育与科技的关系亦越来越密切。当前深度学习已被广泛应用在计算机视觉领域，与此同时体育视频分析亦是当前的研究热点。篮球比赛是最受欢迎的一种体育比赛类型，准确地定位比赛中篮球以及球员的位置是最基础的一项技术，可为后续各种事件分析提供帮助。然而篮球目标较小以及拍摄视频时存在运动模糊、遮挡、变形等情况使得篮球的精准检测存在一定困难，球员之间的互相遮挡使得误检和漏检情况不少。本文针对上述问题，采用基于深度学习的目标检测方法来分别实现篮球和球员检测，同时对现有模型进行优化改进，设计一个基本的篮球和球员检测系统。具体工作如下：
　　首先，比较基于FasterRCNN方法和R-FCN方法的篮球检测效果，同时对基于R-FCN的篮球检测方法做出进一步改进：1)利用K-means聚类算法设置更合理的anchor大小和比例；2)采用多尺度方法进行训练和测试；3)采用在线负样本挖掘方法进行训练；4)对网络结构进行优化和改进，减少网络层数以及融入空洞卷积方法。上述四种改进使得本文提出的篮球检测模型获得90.6%准确率。同时对于上述改进进行大量消融实验并对比其他文献的实验结果来进一步验证本文提出的模型效果。
　　其次，改进基于MaskRCNN网络的球员检测方法：1)在基础特征提取网络部分嵌入SENet；2)设计新的RPN网络分类损失函数；3)选用更加合适的优化器Adam；4)用Soft-NMS方法替换传统的非极大值抑制方法。最终球员检测模型的准确率达到96.3%。本文通过一系列对比实验证明提出的球员检测方法能够显著提升球员检测精度。
　　最后，基于VisualStudio设计了一个基本的篮球和球员检测系统，可显示篮球的检测位置与准确度以及球员检测的准确度。
　　本论文基于改进的深度学习目标检测方法实现篮球和球员的精准检测，提高模型检测精度，对篮球赛事中的事件判断和辅助裁决有一定的借鉴作用，具有良好的研究价值和应用价值。