视频目标检测是计算机视觉领域研究的重点与热点。在视频监控、自动驾驶、军事侦查、智能看护等领域扮演着关键的角色。深度卷积神经网络的发展使得图像目标检测技术取得突破性进步。但若直接将静态图像检测网络应用于视频检测会很难获得较为精确结果,原因是视频会因相机或物体运动而产生退化帧,这些退化帧难以检测。视频目标检测若想获得令人满意的检测效果需基于图像目标检测技术同时结合视频数据间的时序信息。现存的一些性能较好的检测算法是基于光流沿运动路径上进行帧间特征聚合。但是在进行特征聚合时存在着一定的问题:第一,对来自相邻帧的估计特征进行融合时未充分考虑不同帧之间的差异性。第二,光流估计与高级特征传播之间存在鸿沟。本文针对现有算法存在的缺陷进行分析与改进,以提高模型的检测精度。本论文的主要贡献如下:(1)提出了一种基于自适应多帧特征融合的视频目标检测算法。我们的方法基于MANet检测算法。MANet算法在沿运动路径上进行多帧特征融合时并未考虑到来自不同帧的高级传播特征的差异性,为每个融合帧分配了相同的权重。我们引入贡献模块以根据视频帧内容产生自适应权重,这样可以更好的获取到来自相邻帧的动态信息。Image Net VID数据集上的实验结果验证了我们算法的有效性。(2)提出了一种基于运动信息和注意力机制的视频目标检测算法。采用光流网络沿运动路径上进行高级特征估计并进行聚合是目前较为流行的结合时序性信息的视频目标检测技术。但仅仅使用光流估计容易产生特征无法很好对齐的问题。我们将注意力机制引入到视频目标检测任务中,通过计算相邻帧每一帧相对于参考帧的注意力大小,以此来捕获时序上下文信息,直接在高级特征空间进行特征估计的方法来弥补利用光流信息直接估计高级特征的缺陷,算法的精度有了进一步提升。(3)在对算法进行分析和改进之后,本文设计并实现了一个基于深度学习的视频目标检测系统。该部分内容是针对第四章的算法进行实现的。我们对系统的应用场景、系统的整体流程、系统界面等展示进行了相应的介绍。在系统平台搭建好之后,我们通过对系统进行测试较好的实现了检测的任务,为进一步投入实际场景中应用奠定了基础。