目标检测是计算机视觉领域的一项基础任务,旨在从给定的图像或视频中检测出物体的位置并提供其类别信息。其服务于诸多以视觉为核心的人工智能和信息技术等上层领域应用,如自动驾驶、智能监控、智慧城市等。现有的目标检测技术往往针对小规模、少类别的固定场景。当面向具有数千类别的大规模检测场景下,因普遍存在的类别粒度不统一、类间关系复杂且存在长尾分布现象,导致性能急剧下降。为解决该问题,本文从图像特征融合,类别边界度量两个方面展开研究。主要的研究内容如下:（1）基于自注意力机制的细粒度特征融合方法研究。针对类别粒度不统一的问题,引入基于自注意力机制的细粒度特征自融合（FSAF）模块,自适应融合深层的粗粒度特征与浅层的细粒度特征,增强特征的表达能力。最后分别针对Faster RCNN、FCOS、Swin Transformer等当前主流的检测算法开展对比分析实验。实验表明,AP评价指标在面向具有数千类别的大规模检测数据集VG1000时提升了6%以上,且面向常规的MS COCO数据集时也提升了2%以上。（2）知识融合的多域类别关系增强方法研究。针对类间关系复杂且存在长尾分布的现象,首先引入分组学习策略构建many、middle、less、rare四个分类域。其次在域内结合类间关联矩阵,通过图门控神经二次传播目标类别概率,提升类别特征的判别能力。最后与Faster RCNN、HKRM、Reasoning RCNN、SGRN等主流检测算法在VG1000数据集进行对比实验。实验显示,AP评价指标相较于Faster RCNN方法提升了10.5%,且高于当前最优的Reasoning RCNN方法?同时针对rare域,AP提升23.1%,针对many域AP提升1.3%。结果表明该方法能够极大提升网络对尾部类别的学习能力。（3）面向公共安全应用的异常目标检测系统构建。针对公共安全事件的高发态势,开展面向公共安全应用的异常目标检测系统,快速早期甄别生活中的各种异常事件。从而有效缩短事件发生的反应时间、减少公共安全事件所造成的危害。