目标检测作为人工智能技术中一个被密切关注的领域,近年得到了迅速发展,并在安防领域公共场所中的安检、在工业生产线中对产品质量进行检测、在医疗领域中的辅助诊断和在交通领域中的车辆识别检测等得到广泛应用。然而在实际应用中,目标尺度多变,形态万千,目标小或者密集,都会影响最终的检测性能。针对目标检测中目标尺度变化的问题,提出改进方法,本文的主要工作如下:（1）首先对目标检测领域的国内外研究现状进行了简要分析研究,对基于深度学习的目标检测方法的发展历程进行了介绍,对传统的目标检测方法和基于深度学习的目标检测方法的优缺点进行了对比分析,并对卷积神经网络原理进行了详细的阐述,且对基于候选框的方法和基于回归的方法原理和相关理论进行了系统阐述。（2）针对目标尺度变化使得检测性能降低和网络的特征提取能力降低,从而使得多尺度特征的利用率降低的问题,本文提出一种基于密集连接和注意力机制的方法。该方法通过设计一个密集连接模块来提高多尺度特征的利用率,并使用通道注意力机制加强特征信息,此外,损失函数采用Focal损失作为分类损失,GIoU作为定位损失。在公开数据集上进行实验验证了密集连接方式和注意力机制这两种方式对准确率提升的效果。（3）针对实际场景中,由于目标尺度大小的变化,导致SSD方法中多次下采样造成信息丢失的问题,即SSD方法对于小目标的语义信息在网络越深的层中信息丢失更加严重,不利于小目标检测。本文在SSD的基础上提出一种基于空洞卷积和特征融合的方法,通过设置不同的扩张率改变感受野来提取多尺度特征,设计了两种特征融合方式,一个用来加强浅层特征,另一个用来加强语义信息。并通过实验验证了本文方法的有效性。