目标检测是计算机视觉中的一个主要研究方向，并且有很多实际的应用,比如无人驾驶、智能医疗等。传统的目标检测算法主要基于手工提取的特征以及可训练的浅层结构。近些年来，随着深度学习技术的快速发展，越来越多的研究人员趋向于用深度学习的方法解决计算机视觉任务。由于深度学习能够提取出更深层次、更高语义级别、更加鲁棒的特征，基于深度学习的目标检测算法在该领域取得了突破性进展。但许多复杂的应用场景既对目标检测系统的精确性有较高要求，又要求系统有实时性的检测速度，因此如何进一步提升目标检测算法的精度和速度仍是研究人员重点关注的问题。
　　针对目标检测与图像分类任务的差别，以及大多数目标检测器过于依赖分类基础网络的问题，本文提出了一种针对目标检测任务的基础网络，称为检测网络DNet。在网络的初始部分使用小尺寸卷积核提取图像细节特征。为了增强神经网络模型对不同尺度目标的检测能力，提出了特征混合模块来融合来自不同深度卷积层的特征。为了平衡神经网络在目标的定位和分类这两个子任务上的能力，引入了混合下采样模块，使网络中下采样后的特征更具有鲁棒性。在PASCALVOC数据集上的实验结果证明了DNet相比其它基础网络实现了检测精度和效率的良好平衡。
　　为了解决目标检测器SSD对小目标检测精度较差的问题，使用PixelShuffle上采样的方式对深层特征图进行上采样操作，并与浅层特征相结合，在增强了浅层特征的同时几乎不增加网络的参数。在网络训练时利用标签信息引入位置增强模块，由于该模块只在训练时存在，该方法实现了在提升精度的同时完全不影响测试速度。在PASCALVOC数据集上的实验表明，本文提出的上述改进方法能够在提升检测精度的同时不降低检测速度。