视频监控系统作为保障居民人生财产安全的基本工具，已成为社会和谐发展的重要组成部分。应用目标检测和语义分割技术实现监控视频下目标的精确提取在目标重识别和跨场景下的检索等领域都有着迫切的现实需求和重要的研究意义。传统目标检测算法在多尺度的监控视频场景下检测效果不佳，对该场景下的小目标检测存在缺陷。经典分割网络在计算量和参数量上难以满足要求，对多尺度目标分割效果一般。本文基于监控视频下目标多尺度特性，针对性地从主干网络、损失函数和特征融合等方面优化了检测网络，并从轻量化模型和特征上采样两个层次优化了分割算法。从目标的检测到分割，形成了完整的基于监控视频下的目标精确提取系统设计。针对该系统，本文主要完成了以下几个方面的工作：
　　首先，在对比分析了经典的特征提取网络后，设计了以EfficientNet为主干网络的单阶段检测算法，并引入focal loss解决了正负样本不平衡问题。为提升算法的召回率，使用聚类算法优化了先验框的生成。实验结果表明基于EfficientNet的算法在监控场景中有着更优异的性能，两个优化策略提升了多尺度场景下算法的检测性能。
　　为了进一步提升算法在监控场景下的精度，提升算法对多尺度目标的检测能力。在实验数据集上对多个尺度上先验框的分布进行了实验分析，并设计了基于注意力机制的多尺度特征融合，改进应用了基于IoU的损失函数以提升算法的定位能力。实验结果表明，这三项优化都能够提升算法精度，提升算法对多尺度目标的检测性能。
　　最后，使用语义分割算法实现了进一步的精确提取。对比分析了经典的语义分割和实例分割算法，并选择了 UNet 网络。应用了轻量化的模型来提升算法运行效率，并借鉴池化金字塔的思想改进了特征上采样模块，提出了基于多尺度池化的特征上采样模块。实验结果表明模型轻量化后运行效率得到了明显提升，优化后的上采样模块也提升了算法的性能。