在计算机视觉的基本任务中,目标检测毫无疑问是应用最广泛的算法。在完成目标识别任务的基础上,目标检测任务还要将不同类别的目标用不同颜色的矩形边界框表示出来。最近,基于深度学习的目标检测算法向人们展示了非常强大的能力。这些方法通常假定有大量标记的训练数据可用,并且训练和测试数据来自相同的分布。然而,这两个假设在实践中并不总是成立的。在现实中,训练集和测试集的数据往往存在很大的不同。这将会导致检测准确率的降低。因此,开发一种算法,使目标检测模型能够在面对各种域转换任务时仍保持较高的检测准确率是很有必要的。为了更精准的在各种条件下探测到目标,需要领域自适应技术结合进目标检测方法。深度领域自适应算法在图像分类任务中展示出其优势之后,人们期望利用深度领域自适应算法提高目标检测的性能。近年来,人们对领域自适应技术在目标检测任务中的实验进行了深入的研究,并提出了一些方法。目前的领域自适应目标检测方法主要包括基于对抗的方法、基于差异的方法、基于重构的方法和混合方法等等。其中Domain adaptive Faster RCNN算法是一种基于对抗经典的领域自适应目标检测方法。研究发现,基于对抗的方法与各种自适应机制的结合具有更好的性能。但与直接使用目标域数据训练的检测器相比,这些方法在准确率上还有很大差距。因此,如何进一步提高领域自适应目标检测方法的准确率是需要我们进一步研究的。本文受到传统目标检测方法的启发,Faster RCNN方法有着准确率高的优点,并且级联的策略可以将此准确率进一步提高。因此本文基于Domain adaptive Faster RCNN算法对领域自适应目标检测方法进行两点改进。首先利用三层级联的结构来解决误匹配和过拟合问题,采用再采样策略,逐层提高候选框的质量,从而提高检测准确率。传统的Cascade RCNN方法需要手动设置各个级联层的候选框阈值,要找到最合适的阈值是一个耗时的工作。众所周知,目标检测的准确性在很大程度上受到正负样本是否平衡的影响。基于以上两点启发,本文提出自适应阈值策略来保证正负样例的相对平衡。综上所述,结合级联策略和自适应阈值策略,本文将改进的方法称作自适应阈值级联Faster RCNN领域自适应目标检测算法（ATCFR）。本文使用Cityscapes、Foggy Cityscapes、SIM10k和KITTI四个经典数据集来评估提出的改进方法（ATCFR）。实验结果表明,与目前最先进的方法相比较,本文的方法（ATCFR）在面对大多数域转换的情况下有着更高的准确率。