目标检测是通过提取像素点组成的信息来判断场景中物体的类别与位置,该技术广泛应用于航空航天、工业检测、无人驾驶、智能视频监控以及日常生产生活中的诸多领域,通过计算机视觉减少对人力资本的消耗具有重要的现实意义。随着深度学习、计算机硬件（GPU）的发展以及大规模图像数据集的出现致使目标检测算法也得到了快速地发展。目前深度学习的的目标检测方法主要有两类:基于候选区域的目标检测算法和基于回归的目标检测算法。针对目前已有算法存在中小目标检测精度低和速度慢的问题,选择速度较快的SSD网络为主干,同时设计多感受野融合模块和多尺度信息双向融合模块,并使用数据增强方法,改善中小目标检测精度低和速度慢的问题,本文提出一种基于多特征融合的SSD目标检测算法,以下是本文的研究工作:（1）引入多感受野融合模块。单一卷积核产生的特征图中特征信息不丰富,特征表达能力弱,因此提取特征信息有限。针对提取特征信息有限的问题,引入多感受野融合模块,通过将多个并行感受野的特征信息融合到一张特征图上,将来自不同尺度感受野对应的感知信息融合,充分提取多尺度感知信息。（2）引入多尺度信息双向融合模块。高层特征图缺乏中低层细节特征信息,低层特征图缺乏高层语义信息,因此单一尺寸特征图所包含信息不丰富。针对特征图信息不丰富的问题,检测过程中正需要中低层特征信息和高层语义信息兼具才能实现更好的效果,引入多尺度信息双向融合模块将高层特征图语义信息传递到低层特征图,将细节特征信息传递到高层特征图,进行双向融合,丰富低层和高层特征图的特征信息。（3）使用数据增强方法。目前已有数据集存在大小目标数量分布不平衡的问题,为了缓解该问题使用数据增强方法丰富中小目标数量,使训练集的中小目标背景多样化。如此以来训练后的分类器对中小目标检测更加友好,增强模型在中小目标上的泛化能力,提高了中小目标的检测精度。通过设计实验与近些年主流的目标检测算法,以及与其他基于SSD的单阶段改进的算法进行对比分析。实验结果表明,本研究的方法在保持较快速度的同时有效提高了中小目标的检测精度,在基于SSD的改进的算法中有着很好的表现,能够提高目标检测的检测精度。