目标检测算法是同时解决分类和计数问题的典型深度学习研究分支,在视觉领域中有广泛的应用。但是由于检测模型相对复杂,数据不平衡问题严重,调参范围广等原因,使得其落地周期长,模型准确性差,推理计算量大,从而难以达到工程标准。为了让不同领域的专家在不了解检测算法原理的前提下,只通过构建行业内数据集,无需建模,就可以获得最佳模型。目前自动化机器学习在图像分类领域表现出良好的性能,本文将自动建模的思想应用到检测问题中,分析并拆解检测模型的神经架构,设置组件的架构参数域和超参数域,构建多目标组合遗传优化算法,逐代搜索并保存精度和速度均较高的帕累托前沿个体,从而对差异化数据集自适应调整最优架构。本文主要的研究内容及结论如下:（1）分析了目标检测的数据集架构,阐述了不同架构的优势和适用场景。从计算图的角度,结合反向传播的数据流特性,介绍了目标检测算法的基础优化理论和高效的计算模式。研究了检测模型的架构特性,将其分为特征提取和检测器两个模块,对于特征提取模块,详细研究了高效的特征提取节点及其解决的训练问题;对于检测器模块,统一了基于锚点和基于关键点的算法架构,总结了影响检测精度和速度的不平衡问题及解决方案。（2）根据计算节点的相似性,将特征提取和检测器两个模块细分为非对称的节点组件,保证了组件间的隔离性和组件内的接口统一性,覆盖了数据的参数量匹配问题和不平衡问题。在高效的算子集合中分析了不同的参数设置,借助迁移学习的训练经验,构建了一个平衡的参数空间。依据检测模型的架构特征,提出了一个与检测问题适配的遗传架构搜索算法。通过创建多叉树生成了差异性个体,以种群中算子的统计分布作为变异的候选依据。以平均精度和数据推理时间作为优化目标,构建了不同的非支配个体层,证明了将父代和变异子代的排序和筛选结果成为下一代种群的优越性。（3）建立了搜索算法的精度和速度评价指标,对标准数据数据集进行了搜索实验,搜索5代后获得的帕累托个体,比手工最优模型精度高4.2%,验证了遗传架构搜索算法的合理性和鲁棒性。在实际的工业数据集上,通过架构搜索也获得了比已有模型性能更好的检测网络,并从时间-精度图中总结了数据不均衡的原因,证明了自动化机器学习可以应用于实际的检测任务。