在计算机视觉对人类社会影响日渐深入的背景下,目标检测作为计算机视觉领域的基础研究,在人脸识别、无人驾驶、安防等领域发挥着非常重要的作用。在常用的目标检测算法中,基于区域推荐的架构在检测精度上表现最好。该架构将网络分为三个部分:基础网络、推荐区域生成网络和检测网络,卷积神经网络(CNN)是构成这三部分的基础结构,也是对图像进行特征提取的最佳选择。CNN在发挥巨大作用的同时,依然存在急需解决的关键问题。CNN在设计时为了平衡庞大的参数和实际成本引入了一些强先验,从而导致位置精度随着网络加深不断降低。因此,基于CNN的目标检测网络还有待改进。本文参考了基于区域推荐的架构,对基础网络和检测网络进行改进。本文具体研究内容如下:(1)本文提出了一种高精度目标检测网络IEPC-Net。该网络由位置信息增强网络和并级联混合检测网络组成。它旨在解决CNN带来的位置信息损失和传统检测网络带来的失配问题。(2)针对CNN的位置信息损失问题,本文提出了一种位置信息增强网络。该网络在特征金字塔网络FPN的基础之上增加了基于位置信息融合的ROI池化层。因此它不仅能够有效利用浅层次特征的精确位置信息和深层次特征的高度抽象信息,而且可以避免传统ROI池化层带来的位置信息损失。(3)针对传统检测器和样本失配的问题,本文提出了一种并级联混合检测网络。现有的级联方法虽然能够避免检测网络最佳适配区间和样本质量分布失配,但由于多个单检测器级联导致网络快速过拟合。本文提出的方法在级联网络的基础上增加了并联混合检测器,在提升样本质量的同时还保持了样本多样性。因此该方法既能够避免检测器和样本的失配,也可以避免网络的过拟合问题,从而有效提升了检测网络的性能。