目标检测是目前计算机视觉中重要且基础的问题,有广泛的应用背景和实用价值。该任务是在输入图像中定位目标,并在图像中识别出每个物体的类别和位置。近年来,随着大规模数据的出现以及计算机算力的不断提升,具有强大数据拟合能力的深度神经网络方法逐渐成为目标检测研究领域中的主流方法。在现有的目标检测方法中,检测器实现了先进的性能。但是,当前目标检测模型对上下文信息和多尺度信息感知能力仍存在提升的空间。另外,现有的方法通常是在正常光照的环境进行检测,而缺乏在暗光环境下的检测工作。基于以上两个问题,本文的主要工作总结如下:针对目前的目标检测模型中存在对上下文信息和多尺度信息感知能力仍有一定不足的问题,本文提出了堆叠特征金字塔注意力网络模型。该模型中,基于多种注意力机制,设计了两个轻量级模块,即自上而下的特征图注意力模块和自下而上的特征图注意力模块。通过学习通道注意力和空间注意力,每个模块都可以有效地在相邻尺度的特征之间建立连接。通过将这两种注意力模块逐步集成到两个编码器-解码器结构中,可以构建两个新颖的特征聚合分支。两个分支充分利用了浅层特征的定位能力和深层特征的分类能力,从而在保持模块轻量化的同时提高了检测精度。此方法在两个具有挑战性的基准数据集（PASCAL VOC和MS COCO）上进行的大量实验并证明其有效性。针对将现有目标检测方法直接应用于暗光环境而导致的性能下降问题,本文提出了一种基于暗光图像增强的一阶段实时目标检测器。该检测器从三个方面适应暗光检测任务。首先,引入暗光增强模块作为图像预处理器,从暗光图像中产生增强的输入。其次,设计了两个模块,即暗光和增强特征融合模块,以及尺度感知的通道注意扩散卷积模块。这两个模块旨在从隐藏在黑暗中的各种尺寸大小的物体中学习强大而有判别力的特征。在实验中,通过消融研究验证了本研究中此模型各部分的有效性。本文将该检测器与当前主流的各种目标检测方法在暗光数据集Ex Dark上的检测性能进行了比较,表明本文提出的模型性能在速度和准确性之间取得了最佳平衡。