近年来,计算机视觉被许多研究学者们所关注,图像目标检测更是其中的研究热点。迅速发展的深度学习技术给目标检测提供了肥沃的土壤和指明了新的方向,各类基于卷积神经网络的目标检测模型不断地刷新平均准确率的记录。为了避免像基于传统机器学习的目标检测算法一样用滑动窗口在图像中穷举搜索物体,几乎所有的当前最佳的目标检测网络都使用潜在目标区域提取方法来指导物体实例的搜索。Fast rcnn目标检测框架是使用潜在目标区域提取方法的典型和杰出代表,它将目标检测问题分解为两个阶段,首先从图像中生成大约2000个潜在目标区域,然后将潜在目标区域分类为不同的对象类别并且进行精准地定位。尽管处理的是两个相对简单的任务,该模型仍然有改善的空间。本文主要针对Fast rcnn目标检测框架的不足之处进行改进和优化工作,旨在进一步提高目标检测的平均准确率。首先,训练一个前景/背景SVM二分类器对潜在目标区域进行后处理,旨在剔除绝大部分的简单区域而留下质量较高的少数区域。实验表明本文的分类器有助于减少目标分类的假阳率。其次,和原有模型仅仅使用最顶层的网络特征图进行目标检测不同的是,本文采用特征融合的方式将具有高分辨的低层特征、高度语义的深层特征以及互补性的中层特征组合成一个具有强大判别能力的特征图。实验表明融合特征极大地提高了小物体的检测表现和平均准确率。另外,本文采用焦点损失替代交叉熵损失对原有模型进行优化,实验表明焦点损失函数起到了和难例挖掘相似的作用,使得网络的训练更加稳定和鲁棒。最后将所有的改进和优化措施组合在一起训练本文提出的结合传统机器学习与深度学习的混合式Fast rcnn++目标检测模型,实验结果表明,本文的模型将目标检测的评价指标mAP从67.2%提升到72.2%,并且和当前比较优秀的一些模型相比,取得了具有竞争力和可比较的结果。