针对集装箱侧面吊机械臂对角件锁孔的识别问题进行研究，结合深度学习技术提出改进的CenterNet目标检测算法。首先，选取DLA(Deep Layer Aggregation)为骨干网络，将关键点高斯热图由圆形改进为椭圆形，提高算法对锁孔的识别准确率；其次，在骨干网络DLA中添加RFB(Receptive Field Block)模块以增大算法对锁孔的感受野；最后，将ReLU(Rectified Linear Uint)激活函数改进为PReLU(Parametric Rectified Linear Uint)以解决神经元“死亡”问题。在集装箱锁孔数据集上完成对比试验，试验结果表明改进后的CenterNet目标检测算法对集装箱锁孔的识别准确率为99.8%,处理速度为19.61帧/s,可满足电气化铁路场站的集装箱装卸需求。