目标检测是计算机视觉的基础任务之一,它的目的是在图像或者视频流中检测出任务目标,它在安防以及交通等领域都有着较好的应用场景。对于目前主流的目标检测算法,大都存在一个问题,即对待检测感兴趣目标的尺度变化范围很敏感,对尺度变化范围较大的检测目标鲁棒性较差,尤其是对小目标的检测效果差。为了更好地推动目标检测技术在上述领域的应用,设计一种能够应对小目标和目标尺度变化范围较大的检测算法已经成为了该领域的研究重点。本文以SSD算法为基础提出了一种基于跨层注意力机制与多尺度感知的目标检测算法。该算法对低层特征采用空间注意力机制和对高层特征采用通道注意力机制,进一步细化目标区域的特征信息,生成有效的目标特征,并且对于语义信息较为丰富的高层特征图,通道注意力可以对通道间的相关信息进行建模,提高算法的目标分类能力。此外,该检测算法还引入了特征金字塔以及多尺度感知模块来提高网络对目标尺度变化的鲁棒性,并且在多尺度感知模块中采用了特征自适应融合而不是对特征进行简单的等比例相加。安全帽检测从某种程度上来说属于小尺度检测的范畴,故针对安全帽检测,我们还提出了一种快速有效的锚框自适应调整方法,该方法可以根据特征图的大小自适应调整每层锚框的尺度分布,这有利于在低层特征图上检测到小目标。实验结果表明,该算法在VOC 2007测试集上平均精度为80.5%,在开源的安全帽数据集GDUT上平均精度达88.1%,达到了较高的检测精度。