目标检测是计算机视觉研究领域的一个基础课题,在自动驾驶,工业制造以及医疗等应用领域也有重要的应用价值。其中,目标的定位精度不仅仅是衡量目标检测的重要指标,对其应用也有显著的影响。本文以经典的Faster R-CNN为例,从样本分配、网络结构以及损失函数三个角度出发对模型进行分析和改进,以提升模型的定位精度。主要研究工作简述如下:（1）提出了基于动态样本分配的目标检测算法。原始的目标检测算法通常是基于固定的Io U（Intersection over Union）阈值来进行正负样本分配的,Io U阈值的大小会影响到正样本的数量和质量。阈值过大导致正样本很少,从而出现正负样本不平衡问题,阈值过小则正样本质量不行,从而导致模型的定位精度不足。为解决这个问题,本文提出了动态的正负样本分配算法,在整个训练过程中动态地调整Io U的阈值,使得正样本的数量和质量都得到保障,通过使用高质量的正样本进行训练,可以使得模型定位精度更高。（2）设计了基于特征聚合与增强模块的特征金字塔结构。原始的FPN（Feature Pyramid Networks）高层特征缺乏足够的细节信息和感受野,导致很难对目标进行精准定位。为了解决这个问题,本文设计了特征聚合与增强模块,其中特征聚合模块通过使用空洞卷积和池化来聚合不同感受野大小的特征,提升模型的感受野;特征增强模块首先使用注意力机制对融合后的低层特征进行特征增强,然后将该特征融合到高层特征中。特征聚合与增强模块使得金字塔各层特征具有更加丰富的信息,同时由于具有更大的感受野和全局信息,可以帮助模型进行更高精度的定位。（3）提出了基于均衡损失函数的目标检测算法。回归网络中通常使用Smooth L1作为损失函数,该函数对简单样本（预测框和真实框比较接近）的梯度较小,难样本的梯度相对较大,导致网络的训练会被难样本主导,因此简单样本没有得到充分训练,从而影响了定位的精度。针对这个问题,本文设计了均衡损失函数,可以增大简单样本的梯度,使得其得到充分训练,最终可以提升模型的定位精度。在VOC和COCO等公开数据集上的一系列的实验,充分验证了本文所提三个方法的有效性。同时,实验也表明所提三个方法综合得到的模型能取得更佳的效果。