随着图像数据的爆炸性增长,图像处理变得越来越重要。显著性目标检测是图像处理的重要研究方向之一,目标检测因其在真实世界的大量应用需求,比如自动驾驶、视频监控、机器人视觉等,而被研究学者广泛关注。近年来,深度学习解决复杂问题时表现出的高准确度使其在目标检测中得到广泛应用及研究。相比较于传统的目标检测算法,基于深度卷积神经网络的目标检测算法在进行目标特征提取时依赖于神经网络,通过获取的特征来推断目标的位置和类别,以此提高检测的准确性。本文的核心任务旨在通过研究现有目标检测算法,剖析算法的优缺点,设计准确性和实用性提升的改进算法,并通过实验验证模型的准确性和实用性。本文主要在多尺度特征融合和时间成本优化两方面做了研究,主要工作和创新点如下:(1)介绍了目标检测的研究背景和意义,重点分析了卷积神经网络的发展现状和目标检测技术的研究现状,同时详细介绍了卷积神经网络和反卷积。在目标检测中所用到的分割技术也从语义图像分割技术方面进行了概述,简单介绍了分割技术的优势和弊端。这些研究内容为在多尺度融合和时间成本优化问题上打下理论基础。(2)针对全卷积神经网络进行目标检测边界不清晰问题,本文通过总结之前的两种跳跃连接结构,采用一种新的多尺度特征融合的全卷积神经网络进行目标检测,首先通过跳跃连接将深层特征与浅层特征在通道级别上进行相结合,增加边界信息,然后融合之后的特征图进行卷积来进一步提取特征。(3)多层卷积层相叠加会导致计算量大,时间成本增加,并且像素感受野受限。针对多层卷积层叠加出现的问题,本文设计了基于高效金字塔卷积网络和具有跳跃连接的全卷积神经网络模型,将浅层特征图进行具有不同膨胀率的空洞卷积,然后按一定规则进行整合,进行进一步的深度特征提取,高效金字塔卷积网络不断减少计算量,还增大感受野。(4)通过场景分析ADE20K数据集进行实验,结果表明,具有新跳跃连接结构的全卷积神经网络模型的训练损失收敛的更快,验证损失更小。本文设计的基于高效金字塔卷积网络和具有跳跃连接的全卷积神经网络模型的检测精度结果相较于近期先进算法增长了0.73%,在增加卷积层数的同时保证了计算时间成本的稳定性。