在过去的几年中，以PASCAL VOC数据集为基准测量的目标检测性能已经趋于平稳。目前表现最佳的方法通常是复杂的集成系统，这些系统通常结合了多种低级图像特征和高级上下文。本文提出了一种简单且可扩展的检测算法，该算法相对于VOC 2012数据集上的前一最佳结果，将平均精度均值（mAP）提高了超过30%，达到了53.3%的mAP。我们的方法结合了两个关键见解：(1) 可以将高容量的卷积神经网络（CNNs）应用于自下而上的区域建议，以便定位和分割目标；(2) 当标记训练数据稀缺时，先对辅助任务进行监督预训练，然后进行领域特定的微调，可以显著提升性能。由于我们结合了区域建议和CNNs，我们将这种方法称为R-CNN：具有CNN特征的区域（Regions with CNN features）。我们还将R-CNN与OverFeat进行了比较，后者是一种基于类似CNN架构的滑动窗口检测器。我们发现，在包含200个类别的ILSVRC2013检测数据集上，R-CNN的表现远优于OverFeat。完整的系统源代码可在http://www.cs.berkeley.edu/~rbg/rcnn获取。