目标检测是机器视觉重要的组成,深度学习理论在此领域近年来获得较大进展。已有的目标检测工作中,大部分的工作都假设其训练数据和测试数据来自同一个数据集,即服从同分布。但在实际应用场景中,这一假设较难满足。训练数据和测试数据如不满足同分布假设将造成目标检测模型性能的急剧下降。为解决这一问题,本文主要基于迁移学习理论,开展跨域目标检测问题研究。该研究解决的问题是在跨域目标识别中,训练数据和测试数据之间存在域差异,无法满足同分布假设的问题。本文指出,已有跨域检测相关工作并未考虑到训练数据所在的源域和测试数据所在的目标域数据分布不一致主要原因是两者之间图像风格、图中目标外观和尺寸等存在较大差异。因此,为了缓解目标检测中源域数据和目标域数据因图像风格、图中目标外观和尺寸等存在差异而导致的目标检测模型性能下降问题,本文从数据和模型两方面加以解决。1)在数据层面,本文在已有风格转化方法的基础上,进一步注重生成图像的质量和多样性,训练符合具体任务的风格转化模型。然后,方案通过调整源域数据的内容和目标域数据的风格,使生成数据具有目标域数据风格的同时,其图中目标依然保持较好的语义特征,拉近了源域数据和目标域数据的分布。2)在模型层面上,本文提出了高层语义特征模块和多尺度特征抽取模块两个引导模块。高层语义特征模块利用其高层语义,引导模型中浅层网络层的学习。多尺度特征抽取模块抽取含有较丰富的物体位置信息的特征,并将其融合到不同网络层上,促进网络有效学习。同时本文的压缩-激励模块和特征融合模块使得整个模型学习到的特征更加有辨识性。本文将所提方法在多个目标检测的公开数据集上进行测试。在以VOC2007-trainval、VOC2012-trainval作为源域数据集,BDD100K,Clipartlk,Comic2k 和Watercolor2k分别作为目标域数据集的测试中,本文算法在BDD100K,Clipartlk,Comic2k 和 Watercolor2k 上的 mAP 分别达到最好的 22.51%,40.7%,39.05%,55.02%。在以UCAS-AOD作为源域数据集,NWPU VHR-10作为目标域数据集的测试中,本文算法的mAP达到最好的67.7%。在以URPC2019作为源域数据集,ChinaMM2019作为目标域数据集的测试中,本文算法的mAP达到最好的56.33%。相对于已有相关工作,本文算法具有较强的竞争力。