目标检测任务是通过计算机从采样得到的图像或视频中快速,有效寻找感兴趣目标并对其定位,给出所属类别。目标检测作为计算机视觉的一个基本问题,也是当下的热点问题、难点问题,具有很高的研究价值和应用价值。目前的方法尚未达到通用检测任务所需的精度与速度。并且存在着对小尺度目标检测精度低,目标对象定位精度差,对形变目标检测能力不足等问题。因此,本文的研究目标是通过分析这些问题并提出相应的改进目标检测模型以解决对应问题,最终提升模型的检测精度。首先,针对小尺度目标问题与定位效果不佳问题,本文提出了一种利用全卷积网络实现定位分支的目标检测模型DF RCNN。其使用Faster RCNN作为基础框架,采用特征提取效果更好的骨干网络,采取多尺度特征融合策略,构建特征金字塔,丰富特征包含的语义信息,使其适应尺度不同的目标。之后,采用ROI Align技术避免池化带来的精度损失。同时利用全卷积的空间信息保留能力替代全连接形成目标定位分支。对目标进行更精准的定位。同时,对于目标检测中标准卷积空间采样固定,无法灵活采样,且对柔性目标检测精度不足等问题。本文提出一种结合可变形卷积与掩码信息的多尺度目标检测器,该检测器改善主干网络中的固定卷积,结合金字塔技术实现多尺度信息融合,对候选区域采用改进Soft NMS进一步优化,最终通过检测模块获得最终结果,实现了对滤袋的有效检测。最后,本文为了验证上述目标检测模型的有效性,分别在Pascal VOC2007,Pascal VOC2012和本文构建的吸尘器尘袋数据集上进行了测试。结果显示DF RCNN能够对小尺度目标进行有效检测,同时对目标的定位结果优于其他模型;融合可变形卷积Mask RCNN相较对比模型可以对滤袋进行有效检测。