R-CNN
R-CNN（Regional CNN）是第一个将卷积神经网络用于目标检测的深度学习模型。
主要思路：首先使用无监督的选择性搜索（Selective Search，SS）方法将输入图像中具有相似颜色直方图特征的区域进行递归合并，产生约2000个候选区域。然后从输入图像中截取这些候选区域对应的图像，将其裁剪缩放至合适的尺寸，并相继送入一个CNN特征提取网络进行高层次的特征提取，提取出的特征再被送入一个SVM分类器进行物体分类，以及一个线性回归器进行边界框位置和大小的修正。最后对检测结果进行非极大值抑制（Non-Maximum Suppression，NMS）操作，得到最终检测结果。
SPPNet
SPPNet中的SPP是指金字塔池化（Spatial Pyramid Pooling）。由于R-CNN中的SVM分类器和线性回归分类器只接受固定长度的特征输入，这就要求之前由CNN提取的特征必须是固定维度的，进一步要求输入的图像也是固定尺寸的，这也是上文提到的R-CNN中要对候选区域图像进行裁剪或缩放至固定尺寸的原因。然而，这种操作会破坏截取图像的长宽比，并损失一些信息。
SPPNet提出了空间金字塔池化层，该层被放置于CNN的末端，它可以接受任意尺寸的特征图作为输入，然后通过三个窗口大小可变但窗口个数固定的池化层，最终输出具有固定尺寸的池化特征。此外，R-CNN还存在另一个问题：它产生的大量候选区往往是互相有重叠的，这表明特征提取过程存在大量的重复计算，进而导致了R-CNN的速度瓶颈。
为了解决该问题，SPPNet在R-CNN的基础上，只进行一次全图的特征提取，而后每个候选区域对应的特征直接从全图特征中进行截取，然后送入空间金字塔池化层进行尺寸的统一。
Fast R-CNN
Fast R-CNN 的思想与SPPNet几乎一致，主要区别在于前者使用感性趣区域池化（Region-of-Interest Pooling）而非空间金字塔池化。同时，Fast R-CNN在得到了固定长度的特征后，使用全连接网络代替了之前的SVM分类器和线性回归器来进行物体分类和检测框修正，这样可以与前面用于提取特征的CNN构成一个整体，大大增强了检测任务的一体性，提高了计算效率。
Faster R-CNN
Faster R-CNN在Fast R-CNN的基础上，将其最耗时的候选区域提取步骤（即选择性搜索）用一个区域候选网络（Region Proposal Network，RPN）进行了替代，并且这个RPN和用不检测的Fast R-CNN网络共享特征提取部分的权值。
在Faster R-CNN中，一幅输入图像先由RPN提取候选区域，再取出各个候选区域对应的特征图，送入Fast R-CNN（独立于RPN的后半部分）进行物体分类和位置回归。Faster R-CNN第一次做到了实时的物体检测，具有里程碑意义。