在现实世界中包含有复杂的语义信息,而计算机视觉这一学科,所研究的主要内容就是使计算机从现实世界中感知到语义信息,并进行学习,利用这些信息去认识世界。目标检测是计算机视觉研究中的热点问题,其主要任务是对图像中的目标进行精准的分类和定位,可用于自动驾驶、辅助医疗、军事领域的异常目标检测等场景。由于场景复杂且变化繁多,现有的目标检测算法很难满足真实场景下的需求,即泛化性和鲁棒性差,本文的研究着眼于目标检测技术中的语义信息。在语义信息研究的基础之上,做了如下工作:（1）通过构建多重恒等映射,可以平滑地将语义信息传递到深层。提出了一种新型的主干网络Pre-Re Net,解决了普遍存在的退化问题。为解决样本不平衡问题,构建了一种用于进行梯度的权重分配的新型损失函数。并基于这二者设计了一个名为B-Pes Net的新型目标检测网络,对复杂场景有良好的鲁棒性。（2）提出了一种新式的感兴趣区域对齐方式来探索上下文语义信息。这种对齐方式可以使神经网络模型学习到密集的上下文语义信息。在区域建议网络之后设计了一种名为局部上下文语义网络的子网络,将神经网络学习的重点聚焦于目标和其周围局部的上下文。通过这两种结构,基于B-Pes Net构建了B-Pes LCNet,解决了普通检测器在上下文语义复杂的场景下泛化性低的问题。（3）设计了一种量化网络对于同现特征敏感程度的指标。基于这个指标设计了多种数据增强策略,从数据的角度降低模型对于同现特征的敏感度,提高模型在复杂场景下的健壮性,以适应多种应用场景,提高实用价值。（4）基于以上算法研究,设计并实现了一种印制电路板缺陷检测的系统,证明了算法的有效性,并将潜在的应用价值显式地表现出来。通过以上理论研究与严谨实验,证明本文提出的方法在复杂场景下具有良好的泛化性。相比YOLOv5等先进检测算法,B-Pes Net精度平均提高了2%。而加入了金字塔式对齐和局部上下文语义网络的B-Pes LCNet精度则平均提高了3%。在使用基于同现特征的数据增强策略进行增强之后,B-Pes LCNet的鲁棒性指标下降了10%,精度则再次提高了3%左右。综合来看,本文提出的目标检测算法在精度方面优于YOLOv5等先进算法。对于复杂场景下的大目标、小目标均具有较强的检测能力。