在实际应用中,复杂场景中的非目标物体特征信息与目标尺度变化等因素对目标检测结果具有较大影响。针对差分类算法检测运动目标存在的空洞和边缘模糊问题、单阶段目标检测算法难以提取小尺度目标和被遮挡目标特征信息的问题,本文研究了运动目标边缘特征信息的提取和填充方法及单阶段目标检测算法的多尺度特征融合方法,期望保证实时性的同时提高相关目标检测算法的性能。本文的研究内容和工作如下:1.针对复杂背景中运动目标边缘信息难以提取的问题,本文提出了一种基于改进Canny算法的运动目标边缘信息提取方法。该方法通过对滤波、梯度计算、连接阈值三个模块的优化,提高了Canny算法对边缘信息的提取精度;同时设计了一种可直接去除背景边缘信息的帧间运动信息关联法则,进而实现对运动目标边缘信息的精确提取。实验结果表明所提出的方法能准确而高效地提取运动目标边缘信息。2.针对差分类算法对运动目标检测结果存在的空洞和边缘模糊,提出了一种融合改进帧差和边缘提取的运动目标检测方法。该方法通过对运动目标边缘信息的有效提取,提高了检测的准确性;利用形态学处理方法,融合改进的三帧差分法结果和运动目标边缘信息,有效克服了空洞和边缘模糊问题;引入面积阈值判断和连通域分析,进一步提高了检测效率和精度。实验结果表明,该运动目标检测算法在保证实时性的前提下,有效克服了差分类算法对运动目标检测存在的空洞和边缘模糊问题。3.针对复杂背景中难以提取小尺寸目标和被遮挡目标特征信息的问题,提出了一种基于注意力机制的多尺度特征融合目标检测网络。该网络在单射多框探测器（Single Shot Multi Box Detector,SSD）的基础上,设计了一种多尺度特征信息的双向跨层融合结构,减少了逐层信息传递方式产生的信息丢失,并充分融合了不同层级的特征信息,提高了检测精度;在双向跨层融合结构的基础上引入注意力机制,促进网络提取更多的目标语义、细节信息和削弱背景特征信息,从而增强了网络对目标特征信息的提取与适应能力。实验结果表明,该算法在保证实时检测的前提下,有效增强了SSD网络对小尺度目标和被遮挡目标的检测能力。