近年来,由于数据量的快速增长和计算机性能的发展,深度学习已经广泛应用于许多领域,包括安防监控、计算机视觉和推荐系统等场景。目标检测是机器视觉领域中的重点研究方向之一,不断地改变着人类的生活方式,在智慧医疗、异常事件检测和交通流量监控等方面有重要的研究价值。YOLOv5s作为目前最流行的目标检测器之一,存在特征表达能力不足的问题。针对该问题,本文设计了一种基于特征优化的目标检测方案,提出了一种基于特征增强和注意力机制的新型目标检测器（Feature Enhancement and Attentional Mechanism Detector,FEAMD）,增强了特征的表达能力,提升了通用目标检测器的检测性能。本文的主要工作如下:（1）为了丰富目标检测器的特征空间,本文提出了基于CBMA的空间特征增强模块（Center and Scale Prediction with Spatial Enhancement,CSPSE）。CSPSE模块通过平均池化、1×1卷积和顺序卷积（1×1卷积和3×3卷积）组合的四种不同分支结合BN层进行相加,提供了丰富的上下文特征,扩大网络的感受野。CSPSE模块很好地利用了多样性的连接和训练时间非线性,增强特征的空间表达能力的同时没有增加额外的推理时间,提升了检测的性能。（2）为了更好地捕获网络中的通道信息和空间信息,增强网络的特征表示能力,本文提出了一个基于通道和空间信息的注意力机制（Coordinate Attention with Meta-ACON,CAMA）。为了避免空间信息的丢失,CAMA将全局池化分解为水平和垂直两个方向的池化操作。通过这种方法既可以获取空间上的依赖关系,又可以获取较为丰富的位置信息,最后沿着这两个方向融合特征,使得特征的表达能力加强。（3）为了进一步优化FEAMD模型的检测性能,本文设计了一种基于FEAMD的知识蒸馏方案FEAMD-dis,提出了一种具有MSE蒸馏损失的直接logit匹配方案,促进FEAMD模型更充分地利用特征信息进行检测。通过更复杂的教师网络对FEAMD进行知识蒸馏,FEAMD-dis可以学习到更丰富的特征信息,减少出现错检和漏检的问题,在保持速度的同时FEAMD-dis精度进一步提升。