随着社会的高速发展,电子设备越来越普及,每天都会产生海量的图像数据,因此对这些图像中存在的目标进行智能识别变得越来越重要,目标检测有着广阔的应用前景。目标检测是计算机视觉中的一项基本任务,这项任务需要在图像中定位出所有需要检测的目标对象,并对这些对象进行准确地分类。近些年来,随着深度学习的飞速发展,基于卷积神经网络的目标检测方法已经取得了很多突破,但还是存在不足。一方面,由于图像中存在不同类型的干扰因素,使得卷积神经网络能够提取到的目标特征信息很少,而使用有限的特征信息来对图像中的目标个体进行分类会有更高的误差。另一方面,图像中的关键区域可能存在可辨别度较低的问题,而这些区域往往包含目标个体的关键性特征信息。因此,对目标特征信息进行补充,并且提高图像中关键区域的可辨别度,是本文要重点解决的问题。本文对上述两个问题进行了研究并提出了相应的解决方案,主要内容包括:1)本文在Faster R-CNN算法的基础上引入了一种全新的特征优化方法,进而构建了一种新的网络CA-NET(Context-Aware Net)。CA-NET能够有效提取图像中不同尺度的上下文信息,这些上下文信息可以为目标个体的判断提供额外的线索,进而有效补充目标个体的特征信息。2)在Faster R-CNN算法中,使用候选区域池化会使得特征图的可辨别度降低,并损失一部分细节信息。针对这个问题,本文引入了一种全新的候选区域注意力感知方法,进而提出了另一种新的网络CAA-NET(Context-Aware Attention Net)。CAA-NET能够学习候选区域池化后的特征图中不同区域的重要程度,并对关键区域的像素信息进行补充,提高关键区域的可辨别度,从而最小化候选区域池化所带来的损失。本文在公开的数据集上对提出的两种网络进行了测试,并将检测结果与近几年来提出的几种目标检测网络进行了对比,CA-NET和CAA-NET都有着更优的检测精度。