随着硬件和理论的快速发展,从传统的基于手工设计特征的方法到现在流行的基于深度学习的目标检测方法,目标检测已发展20多年。自2012年AlexNet提出以来,人们逐渐使用卷积神经网络（CNNs）来处理目标检测任务,基于深度学习的目标检测方法受到广泛关注。它可以分为两类,一是基于锚框（anchor-based）方法,二是无锚框（anchor-free）方法。其中anchor-based算法又可以分为两类,其一是两阶段（two-stage）目标检测算法,其二是一阶段（one-stage）目标检测算法。本文主要针对一阶段目标检测算法SSD和RetinaNet做了改进,具体如下:第一,针对SSD算法不同层特征图没有信息融合和模型感受野的不足,对SSD算法进行改进。从以下方面进行改进:详细阐述了基于SSD的目标检测算法,提出了跨层融合模块和感受野扩增模块,来改善原SSD检测算法在检测精度上的不足。首先,鉴于原SSD模型不同层缺乏信息的交互,以及利用FPN的思想,设计了一种跨层信息交互模块,在增强了不同层的语义信息能力的同时减少了不同层的信息差异。然后,为了提高模型的感受野和多尺度检测能力,设计了一种感受野扩增模块。最后,采用批处理归一化层减少训练时间,提高模型的收敛速度。为了评价提出的ESSD的有效性,在PASCAL VOC2007测试集、PASCAL VOC2012测试集和COCO testdev2017测试集上进行了实验。实验结果表明,在PASCAL VOC2007数据集上其mAP为82.1%且检测速度为15.7FPS,相比于原有的SSD512,其mAP提升了2.3%;在PASCAL VOC2012测试集上其mAP达到80.6%,也比SSD512高2.1%;在COCO test-dev2017测试集上其AP为30.9%,比SSD512高2.1%。实验证明了ESSD检测器在达到较高的检测精度情况下,仍然可以满足实时性。第二,针对原RetinaNet目标检测器没有利用更低层的特征图（如P2层）以及在大型物体上检测效果差的特点,提出了浅层融合模块和全局注意模块。通过使用浅层融合模块,增强了模型的细节信息,提高了RetinaNet模型在小目标上的检测精度。其次,通过在高层（如P5层）后添加全局注意模块,扩大了模型的感受野,也提高了RetinaNet模型在中大型目标上的检测准确度。最后,在公开数据集PASCAL VOC和MS COCO数据集上进行一系列的实验。从实验结果来看,在PASCAL VOC2007测试集上的mAP为82.6%,比原RetinaNet800高3.6%,而且速度只是略微下降（13.8FPS vs 16.8FPS）;以ResNet-101为主干网络时,在MS COCO测试集上,改进后RetinaNet模型的AP达到41.7%,在原RetinaNet800基础上提高了2.0%。