作为图像理解和计算机视觉任务中的热门课题之一,目标检测已经成为解决行人检测、人脸识别、路径跟踪等复杂任务的基础。其主要目的是确定自然图像中是否存在预定义的物体实例,并返回物体实例的空间位置和类别。随着深度学习技术的普及,基于深度学习的目标检测框架相较于传统方法获得了更好的检测性能。由于不断出现的复杂任务场景,现阶段对于检测器的实时性的要求也越来越高。单阶段目标检测器以其较少的参数和较高的推理速度,成为了众多研究学者所关注的方向。然而,在这些复杂场景下各类物体有着不同的尺寸、形变、姿态,再加上成像时的角度、遮挡等因素,可能会导致检测器的检测性能受限。所以,如何通过高效地改进策略来提高检测算法的精度并保持相对较高的实时性具有重要意义。本文基于此方向所做工作如下:（1）为了设计出更适合检测任务的骨干网络,本文分析了现阶段基于预训练分类骨干的目标检测框架的局限性。并针对分类任务和检测任务之间的差异,本文在SSD的基础上,提出了局部特征增强骨干网络。在网络设计中,通过采用局部细节保留策略来缓解特征提取过程中的细节损失。同时,添加了一个多尺度感受野模块,可以在不增加额外参数的情况下,增强特征层应对不同尺度物体的语义信息和特征表示能力。实验结果显示基于局部特征增强骨干的SSD可以在保持较高推理速度的情况下,提升网络整体的检测精度。（2）为了更好地平衡深层特征图的语义性与浅层特征图的空间性,本文对多尺度特征融合结构的优缺点进行了分析,并在SSD的基础上提出了一种全新的双向特征细化网络。在双向特征融合机制中使用注意力残差细化模块和特征复用模块并分别集成到两个方向路径中,既能自适应地补充浅层特征的语义信息,又能缓解深层特征的空间信息损失。并在实验结果中证明了双向特征细化结构有效地提升了最终预测特征的辨别能力和检测性能。（3）为了进一步获得更高效的检测性能,本文将双向特征细化结构应用于局部特征增强骨干中,并进行了大量的实验来验证检测器的高效性。PASCAL VOC2007,2012和MS COCO三个公共数据集的结果表明,本文的模型实现了更高的检测精度,并合理地控制推理速度上的损失代价。