随着计算机视觉基础研究的不断发展,目标检测任务一直都是一个热点方向,在机器人设备、工业零件异常检测、监控设备异常人物检测等诸多领域充当辅助任务或主要任务,具有重要的现实意义。计算机视觉任务十分多样化,除了通用目标检测任务外,它还有一些其他的分支,比如人脸检测、行人检测、行人重识别等。由于目标检测在科研和工业中重要的地位,使其成为了近年来的研究热点。深度学习技术的发展速度越来越快,目标检测算法也随之迅速发展。目标检测任务的主要目的是在一张图像中找到感兴趣目标的具体位置,并给出目标的类别信息。比如,人脸检测中需要找到人体面部的具体位置,行人检测任务中需要找到图像中每个行人的位置等。由于深度学习在计算机视觉各种任务中都取得了巨大成功,所以,近年来基于深度学习的目标检测技术也逐渐涌现出来。目前目标检测任务主要分为三个部分:特征提取,特征增强,目标预测。当前目标检测网络是对特征增强和目标预测部分改进。目前最先进的目标检测器通常是使用特征金字塔网络进行特征增强。特征金字塔网络融合了多尺度特征信息,使检测器能够更好地处理不同大小的物体。然而,由于特征维度的降低,特征金字塔网络存在信息丢失,并且特征金字塔网络只有深层信息向浅层补充的部分,深层特征并没有得到补充,还是处于信息丢失状态。针对当前目标检测算法中存在的特征融合不充分,以及深层语义特征和浅层细节特征间的隔阂问题,提出了一种基于多尺度特征增强的目标检测模型。主要研究内容如下:（1）针对深层信息与浅层信息存在语义隔阂的问题,设计了尺度融合模块,将浅层特征中最丰富的细节信息逐渐补充到深层特征中。由于最深层的特征包含丰富的语义信息,并且随着多次下采样操作,细节信息逐渐消失,因此深层特征信息与浅层特征信息之间存在严重的语义隔阂。由于不同尺度特征之间语义信息的不一致性,直接融合语义差异较大的特征将降低多尺度特征表示的能力。在尺度融合中加入多尺度语义融合模块,通过中间层将细节信息补充到最高层次的特征中,以减少语义隔阂的影响。（2）针对特征融合不充分问题,设计了双向金字塔模块,将金字塔模块和反向金字塔模块结合将深层特征的语义信息补充到浅层特征中,并将浅层特征的细节信息逐步传递到深层特征中。尺度融合和双向金字塔模块融合了不同层次的特征,减轻了因为降维操作带来的信息损失。（3）针对目标预测部分特征增强问题,设计了像素-区域注意力模块,只需少量计算,即可得到图像各位置与不同区域之间的相关性,从而提高检测精度。