目标检测作为计算机视觉中最热门的研究领域之一,在很多实际场景都具有重要的应用价值。本文对基于深度学习的目标检测方法进行研究,YOLOv4作为目前主流的一阶段目标检测方法,可以较好地平衡检测精度和速度,因此本文选取其作为研究对象。针对YOLOv4存在对深层和浅层信息特征提取不充分以及信息利用率不足的问题,对其进行改进,力求在保证检测速度基本不变的同时尽可能地提升精度。本文的主要研究内容和创新性工作如下:（1）针对YOLOv4目标检测器深层和浅层信息特征提取不充分的问题,提出了一种新的基于扩张坐标注意力YOLOv4的目标检测方法,即YOLOv4-D。该方法使用具有不同扩张率的多个扩张卷积对注意力机制模块进行改进,提出了扩张坐标注意力模块,并将其置于主干网络的浅层特征层之前,使得不同感受野下的特征映射得以融合,浅层网络的特征提取能力得到显著提升。同时采用多尺度训练策略增强鲁棒性。最后在PASCAL VOC2007和VOC2012上进行实验,并与其他先进的目标检测方法进行对比,实验结果表明,提出的YOLOv4-D检测精度优于YOLOv4及其他目标检测方法。（2）针对YOLOv4目标检测器存在信息利用率不足的问题,提出了一种新的基于改进的路径聚合和池化YOLOv4的目标检测方法,即YOLOv4-P。为了充分利用路径聚合网络可以有效防止信息丢失这个特点,对YOLOv4的路径聚合网络进行改进,利用主干特征提取网络的第二个残差块,新增一个检测层,加强融合浅层特征层。另外,使用K-means聚类对数据集重新进行处理,获得合适的先验框尺寸。此外,图像经过主干特征提取网络后的感受野比理论感受野小,为了增大感受野,在主干特征提取网络的后端加入金字塔池化模块,利用4种不同尺度的金字塔池化引入不同尺度下的特征信息。最后,在PASCAL VOC2007和VOC2012进行仿真实验,实验结果表明,提出的YOLOv4-P有效提高了检测精度。（3）为了进一步验证提出的YOLOv4-D和YOLOv4-P的性能,将二者进行结合,得到一个新的YOLOv4-Z目标检测方法。在两个数据集上进行仿真实验并对实验结果进行分析。YOLOv4-Z在两个数据集上的m AP与YOLOv4相比分别提升了2.25%和2.11%。在PASCAL VOC2007数据集上,与提出的YOLOv4-D和YOLOv4-P相比,YOLOv4-Z分别提升了0.41%和0.22%,在PASCAL VOC2012数据集上,分别提升了0.2%和0.17%。提出的YOLOv4-D和YOLOv4-P两种目标检测方法与YOLOv4相比,检测精度都有提升,且YOLOv4-P更优,将二者组合提出的YOLOv4-Z具有更好的检测效果。实验表明YOLOv4-Z在检测速度没有较大变化的情况下比结合前的检测精度更高,比其他先进的目标检测方法更具优势。