目标检测算法的任务是检测出场景中物体的类别以及对物体进行定位,近年来基于深度卷积神经网络的目标检测算法取得了良好的检测效果,可以适用多种场景。但是目前算法也存在着诸多缺点,例如在密集和相互遮挡的情况下,目标检测效果不理想、目标存在误检漏检现象。针对这些缺点,本文基于FPN算法提出两种改进方案,主要工作和研究内容如下:(1)针对在复杂场景中网络对目标提取特征信息不充分的问题,使用Inception结构并结合语义分割模型中的编解码结构,提出在算法中使用多分支特征网络对图像提取局部特征信息。针对正负样本数目不平衡和难易样本数目不平衡对检测效果的影响,采用focal loss替换FPN算法中的分类损失函数。同时针对经常出现的目标重叠情况,提出在损失函数中加入遮挡损失来使目标预测框和其对应的真实框更可能接近,并远离其他的目标预测框。最后通过实验证明改进算法可以提升目标的检测准确率,并且提高了复杂背景下的目标检测性能。(2)本文提出了多尺度特征融合的目标检测网络。首先,针对残差网络高层特征图分辨率小的局限性,提出联合扩张卷积——残差网络来增大高层特征图的感受野。为了结合浅层网络的位置信息和深层网络的语义信息,使用金字塔池化网络充分融合深度不同的特征信息,同时利用特征金字塔网络来多尺度检测目标。最后提出特征优化模块获取全局语义信息来优化网络每一阶段的特征。实验结果表明,本文网络模型有效提升了对目标的检测能力,在一定程度上解决了小目标误检、漏检的问题,算法鲁棒性增强。