目标检测是计算机视觉领域里一项十分重要的任务,在交通、医疗、国防等领域有广泛的应用。深度学习的引入使得目标检测算法获得了巨大的进步,目前基于深度学习的目标检测算法在精确度与速度上已经大幅超越传统算法,成为本领域的主流。本文针对目标检测算法所存在的一些困难,在经典的一阶段目标检测算法SSD的基础之上,进行了一系列的研究工作。本文的主要内容如下:目标检测任务是一种多尺度的任务,使用来自网络中不同深度的特征图进行检测能够有效缓解多尺度对检测带来的困难。但浅层的特征图的语义信息较弱,直接使用浅层特征图用于检测可能会影响检测的效果,尤其是小目标的检测。本文提出了一种基于语义强化与特征融合的目标检测器。该检测器在SSD检测算法的基础上,引入了一个用于增强网络浅层特征图语义信息的小型卷积分支网络,并为该分支设计了额外的训练任务。此外,使用了一种轻量的特征图结合方法,能够有效结合多种尺度的特征图。PASCAL VOC与MS COCO数据集上的实验结果表明该模型实现了较优的检测性能。FPN是目标检测算法中常用的网络结构,用于将网络深层的信息流入浅层。本文提出一种双向FPN结构,在FPN自顶向下与横向连接的基础上增添了自底向上的分支。此外,针对目标检测后处理过程中定位更准确的边界框可能被分类置信度高的边界框所抑制的现象,本文对NMS算法进行了一定的改进,利用被去除的边界框调整所保留边界框的位置形状,使得其定位更加准确。将该双向FPN与改进的NMS算法应用于SSD目标检测器,在PASCAL VOC数据集上对该检测器进行的一系列实验表明所提出的双向FPN结构与改进的NMS算法能够提升检测性能。