近年来人工智能领域发展十分迅速,尤其在目标检测领域,涌现出大量结合卷积神经网络的检测模型。这些模型虽然取得了不错的成绩,但是在检测多种尺度目标方面却并未有很好的效果,所以建立可以检测多种尺度目标的模型对于目标检测领域的研究具有十分重要的意义。由此,本文提出了一种基于卷积神经网络的多尺度检测网络(MSF-RCNN,MultiScale Faster Region-based Convolutional Neural Network)模型,该模型包含两个子网络:区域提取子网络和分类检测子网络。区域提取子网络将多层卷积层对应的特征图输出以扩大可检测目标的尺度范围,并应用锚窗算法进一步扩大可检测目标尺度范围,从而实现对于多种尺度目标检测的目的。分类检测子网络包含两个全连接层以及双通道小全连接层,这种结构增加了可检测的目标种类,实现对于多种类目标进行检测的目的。在两个子网络之间使用反卷积层进行连接,分类检测子网络接受到的卷积特征图得到放大,分辨率得到提高,并固定反卷积层,避免两个子网络相互影响。简而言之,MSF-RCNN模型是一种基于多任务损失函数的端到端多目标检测模型,多分类检测的同时可以检测多种尺度的目标,并保证了良好的精度。通过voc数据集的对比实验得出,MSF-RCNN模型在检测速度上达到了10~11帧/秒,并在召回率、精确率、丢失率以及误检数等各项指标上均表现良好,可检测目标的尺度范围也更广,当模型部署在coco数据集上,MSF-RCNN性能表现同样良好。其次,通过对比带有反卷积层的MSF-RCNN-2x以及不带反卷积层的MSF-RCNN的实验结果可知,反卷积层对模型性能有着积极的影响。