目标检测是计算机视觉技术的重要研究内容,在智能安防、无人驾驶、场景识别、医疗诊断等多个领域得到广泛的应用。然而由于在现实应用场景中目标物体的尺度变化、遮挡程度以及外界环境变化等一些因素的影响,导致当前的目标检测算法都存在对于小尺度目标和存在部分遮挡目标的检测准确率较低的问题,因此,设计一种能够应对现实场景变化又能够准确地检测出目标的检测算法是当前目标检测算法的重点。本文在Faster R-CNN的基础上提出了一种基于特征融合与对抗遮挡网络的目标检测算法,通过引入特征融合网络和对抗遮挡网络来提升算法对小尺度目标和存在部分遮挡目标的检测性能。特征融合网络是利用逆卷积操作将高层特征图与低层特征图相融合,增加网络中低层特征图的提取能力,最终生成具有高分辨率高语义信息的单个高级特征图,并在其上进行预测,从而能更有效地检测出图像中的小目标。对抗遮挡网络在目标的深层特征图上创建遮挡,生成检测器难以判别的对抗性训练样本,同时检测器通过自身学习来对生成的具有遮挡的对抗性样本进行分类,这两者互相竞争又互相学习,从而使算法的检测性能进一步得到提升。此外、本文还通过改进的非极大值抑制算法来对预测框进行筛选,改善目标重叠或者目标被相邻目标部分遮挡时的检测结果。本文分别在PASCAL VOC、MS COCO和KITTI数据集上进行实验,大量的定量和定性实验结果表明本文所提出的算法达到了先进的检测精度。