目标检测作为计算机视觉的核心研究任务之一,被广泛应用于各个领域,如:交通检测、医疗诊断、安全保障等,一直是研究学者广泛关注的研究课题。随着人工智能技术的不断发展,基于深度学习的目标检测算法成为当前目标检测的主流算法,其中YOLOv3算法作为深度学习目标检测算法中最受关注的算法之一,具有检测效率高、泛化能力强、鲁棒性好等优点。但是,随着检测任务的复杂度越来越高,YOLOv3算法的检测精度已经不能满足应用的需求。鉴于此,本文对YOLOv3算法进行研究,在主干特征提取网络、候选框筛选阶段等方面加以改进,实现复杂目标任务的快速准确检测。本文主要研究内容如下:（1）分析YOLOv3算法的检测过程,通过在YOLOv3算法主干网络Darknet-53中引入Res2Net模块,在单个残差块内对特征信息重新分层与组合,构建了新的残差结构,使得网络在进行特征提取时能更加充分的利用上下文信息,提取到更细粒度的特征。在预测框回归部分,使用降低预测框置信度的方式取代原算法中的筛选方式,降低多目标漏检情况的概率;同时在筛选预测框的损失函数中加入对两个框之间的距离、重叠率、长宽比的惩罚项,提高预测框定位精度。在Pascal VOC数据集进行实验,结果表明:改进后,算法的m AP值从78.3%提升到81.7%,验证了改进方案的合理性。（2）分析SE模块和CBAM模块两个注意力机制模块,将其与改进后的残差结构整合,构建新的注意力残差模块,提高网络对重要信息的关注度,进而提升模型的检测效果,并分析现有的数据增强策略,对本文实验所用数据集进行处理,提高了改进后模型的泛化能力。采用Pascal VOC数据集进行实验分析:引入注意力机制和数据增强后,算法的检测效果进一步提升,m AP由原来的81.7%提高到83.6%,验证了改进方案的合理性。