在计算机视觉领域,目标检测作为一个重要的基本课题,不仅是行为检测、图像分割等研究课题的基本理论出发点,也在智能监控、智能驾驶等实际用途上有广泛应用前景。本文主要针对多目标检测任务中的通用算法,在真实场景下进行检测,在保证实时检测的基础上进行了进一步的研究与改进。主要研究内容分为如下四点:第一,通过对传统目标检测算法的改进与分析,并与基于深度学习的目标检测算法进行对比,确定本文将从深度学习的目标检测方法入手进行研究。同时也对文中所使用的CNN及其典型方法与结构进行了分析探讨。第二,在单映射多候选检测框检测算法的网络基础上结合特征复用思想,使用改进后的特征金字塔构建具有高层特征语义信息的高分辨率检测特征图,有效提高了检测精度,同时研究了在构建卷积特征金字塔过程中使用不同的上采样方法对特征提取的具体影响,并采用了兼顾检测速度与精度的上采样方式。第三,引进注意力机制的思想,提出了基于空间坐标点的注意力机制。经过实验分析后,通过结合高层特征图信息对浅层特征图在像素位置上进行加权,使网络更加专注于目标区域的特征提取,提高后续分类与定位的精度。第四,为了提高目标分类的准确度,在检测网络的分类分支上加入定制的分类小结构,并在检测精度上获得了提升。同时针对类间不平衡的状态对损失函数进行改进,提高网络对训练数据较少类的检测性能。