算法、数据和算力等的进步使今天的目标检测技术在公开数据集上检测效果远超人类。但是算法在落地时,应用场景的数据（目标域）与训练该算法的数据（源域）可能因成像、光照、天气等条件不一致,在图像特征分布上出现较大差异,即领域偏移。领域偏移导致目标检测算法在实际应用时漏检误检增多,效果远不如在公开数据集上的表现。目前解决领域偏移问题主要有两种方案:一是把目标域图像进行标注后重新有监督地训练检测模型,直接得到目标域的特征分布。但因为目标检测任务里物体种类较多且数量较大,重新标注成本很高;二是将没有标记的目标域数据与源域数据一起训练,通过迁移学习的方式逐渐对齐源域和目标域的特征分布,该方案被称作领域自适应。领域自适应能避免重新标注数据,但该方法用于目标检测任务的研究刚刚起步,目前提出的算法存在检测速度较慢、特征信息利用不充分、特征错误对齐导致负迁移等问题。针对现有领域自适应方案的三个问题,本文对基于领域自适应的单阶段目标检测算法进行了研究,具体研究内容如下:（1）提出图像级多层次领域自适应方法。首先为了提高检测速度,该方法明确以检测速度较快的单阶段网络为基础网络。其次为了充分利用主干网络提取的特征信息,该方法按主干网络提取的多层次特征图包含语义信息的多少,为它们设计了两种特征对齐模式,以满足不同对齐策略的需要。该方法能充分利用图像特征,加快检测速度。对比实验中,同基线方法相比,mAP提高约2.2%,检测速度提高约50%。（2）提出实例级类别相关领域自适应方法。为了减少实例级对齐时类别错配带来的负迁移,并符合单阶段目标检测网络的网络结构,该方法忽略了实例的真实类别,利用软标签作为权重平衡实例在每种类别上的对齐强弱,避免了类别错配。结合之前图像级多层次自适应方法,对比实验中,综合方案mAP进一步提高约5%。（3）设计了电梯场景领域自适应目标检测系统。结合实际项目需求,该系统对基于领域自适应的单阶段目标检测算法进行封装,并集成了领域自适应训练,模型转换和模型推送等功能,达到研究算法应用方式和检验算法实践效果的目的。