目标检测作为计算机视觉领域的一个重要课题,在自动驾驶,安防,机器人等各个应用场景有着重要的作用。目前主流的目标检测算法主要为基于深度学习的候选区域方法,其中又分成两个主要流派,单阶段和多阶段。单阶段算法具有速度快的优势,但是其精度没有做到非常高,多阶段的精度有优势,但是其速度较慢,在实际使用中常常无法做到实时。同时在实际的应用场景中,常常会遇到类别增长的问题,目前的主流算法无法解决类别增长所带来的额外标注问题。面对实际应用中增长的类别需求,需要对原有数据进行大量重复标注工作,为了解决这些问题,本毕设提出了一个切实有效的解决方案,减少了数据的标注量,同时没有降低检测器的精度。本毕设首先针对目标检测的单阶段检测算法提出了一些改进算法,提高的精度的同时保证实时的速度,同时也分析了基于锚点算法和非锚点算法的区别,针对性的提出了适应性划分正负样本的策略,最后为了解决实际应用中遇到的类别增长问题,提出了一种新的算法。针对单阶段检测算法中单层特征感受野固定的问题,提出了稠密感受野的概念,融合了不同特征层的感受野去更好的检测目标。针对基于锚点算法和非锚点算法的正负样本划分方式不同,提出了适应性的正负样本划分策略,动态的设置正负样本属性的阈值。针对实际应用中常遇到的类别增长问题,提出了跨数据集训练的方法,只需要标注增长类别的数据,解决了已有数据重复标注的问题。最后通过设计合理有效的对比实验,在各个权威的公开数据集上都取得了非常好的效果,验证了本毕设提出算法的有效性。