以卷积神经网络为基础的目标检测模型,凭借着其卓越的性能优势,在交通、安防、医疗等领域展现出了极大的潜力和价值,而在未来检测模型的意义还要进一步加深。近些年来对于目标检测模型的研究也在飞速发展,不断有新模型、新结构出现,表现出更好的检测效果。本文聚焦于一阶目标检测模型SSD（Single Shot Multi Box Detector）在检测精度上的不足问题以及小型轻量化模型的设计问题,分别提出了设计方案。本文的研究工作及创新点主要在以下两个方面:（1）对SSD的改进。SSD作为经典的检测模型,现如今其精度不高,但是其检测思想和结构依旧经典。本文提出了SSD的改进版本MSSD（Modified SSD）,在MSSD v1中提出了改进的深度可分离卷积模块,用作额外层的置换,为了进一步提高输出特征的利用率,设计了一种紧邻层的特征融合方法实现特征的重复利用,MSSD v1在VOC2007测试集上的精度提升了1.9%。MSSD v2的设计是从骨干网络、特征提取结构两个方面出发,首先采用了一种类VGG（Visual Geometry Group）的卷积神经网络Rep VGG作为骨干网络,对原有的VGG-16置换,以此获得更好的基础特征表达;之后分析了膨胀卷积、注意力机制的优势后,设计出了一种两分支特征提取模块,将两者的优势结合在了一起,同时利用注意力机制设计了特征融合模块进行特征的重复利用。将特征提取模块和融合模块嵌入到RepVGG中,得出了新模型MSSD v2,在VOC2007测试集上其精度要高于SSD4.48%,整体精度有较大的提升。（2）一种轻量化模型的设计。在分析了Shuffle Net v2的结构后,以其内部结构为基础提出了一种轻量和有效的目标检测模型Res-Shuffle。Res-Shuffle的骨干网络是由Shuffle Net v2的基本结构改进而成,达到适应目标检测任务的需求,同时引入了恒等映射和膨胀卷积的思想,沿用了SSD的检测流程。此外Res-Shuffle采用了一种自适应的正负样本选择方法,该方法的引入有两点优势,一是新模型不需要再设置众多的锚框,减少了不必要的工作量;二是样本的选择依据更有可靠性,样本的质量也有一定的保证。为了检测Res-Shuffle的性能,同时解决遥感飞机目标检测的任务需求,本文从多个数据集中搜集整理了一个专用遥感飞机图像集合。实验结果表明,Res-Shuffle以较低的参数量取得了更高的精度和速度,和其它轻量型网络构成的目标检测模型相比在性能上有着较大的进步。