随着人们生活水平的日益提高和生活节奏的加快,人们对省时省力和体验舒适的人工智能技术的需求越来越多,而基于计算机视觉的目标检测任务则是人工智能领域的重要组成部分,智慧城市、自动驾驶、电力巡检以及人脸解锁等应用都用到了目标检测技术。早期的基于深度学习的目标检测模型大多数都利用了先验框（anchor）来降低模型的学习难度,但由于超参数较多、检测器泛化能力受限,近几年,学者们开始重点研究基于anchor-free的目标检测模型,这类模型抛弃了先验框,网络结构优雅且模型的泛化性更强。本文正是以基于anchor-free的FCOS模型为基础,围绕目标检测中的多尺度问题进行展开,主要针对FCOS正样本分配的问题和目标检测模型多尺度推理时受到极大极小目标干扰的问题进行研究和改进,并在病害数据集和COCO数据集上进行实验验证改进算法的可行性和有效性。本文主要创新内容如下:（1）针对FCOS中正样本分配对细长目标采样不均匀的问题,提出了高宽比自适应的正样本中心采样算法,同时针对原中心度真值的长边下降快、短边下降慢的问题,提出高宽比自适应的中心度真值定义,该算法改善了细长目标中心度下降过快导致FCOS的中心度分支训练不充分的问题,通过结合以上两个改进策略,提高了模型对高宽比较大的目标的鲁棒性。（2）FCOS模型训练时,大目标由于面积大往往分配到的正样本较多,而小目标的正样本数量较少,这会导致模型更加重视大目标的学习,对小目标的检测效果不好,针对FCOS的不同尺度目标分配的正样本不均衡的问题,本文在原正样本分配算法的基础上提出固定数量的random-k正样本分配算法,提高了模型对多尺度目标的检测精度。（3）目前的目标检测模型多尺度推理时,由于受到极大极小目标的干扰,容易出现误检和虚检,针对这一问题,本文提出基于多尺度推理的相对注意力模块,通过在训练时将两张不同分辨率的输入图像同时进行训练,同时将不同分辨率的两个分类分支乘以注意力模块输出的掩膜权重并求和一起计算损失,这样可以让模型自己学习如何更好地结合不同尺度下模型的预测结果,最后将该模块与基于逐像素预测的FCOS模型相结合,并在隧道病害数据集和COCO数据集上进行实验验证,改进的网络不仅总体精度有所提升,而且提高了模型对不同尺度目标的鲁棒性。