目标检测任务作为在图像处理和计算机视觉领域中的基础课题之一,在图像检索、视频监控、人脸检测、人机交互等方面上有着广泛的应用。传统的目标检测方法首先是对给定图片进行特征提取然后再进行分类抉择,因此特征提取的好坏对目标检测的性能起着关键的作用。相对于传统的目标检测方法,基于深度学习的目标检测方法通过大量数据训练能够自适应的学习到较好的特征提取方法,可以更好的在复杂场景下进行检测。目前比较流行的基于深度学习的目标检测方法分为两种:第一种是两阶段目标检测方法,另一种是单阶段目标检测方法。两阶段目标检测方法首先需要对图片进行区域划分,然后再进行检测。单阶段目标检测方法是输入图片后能够直接输出检测结果。两阶段的方法相对于单阶段方法而言准确度上有一定的优势,但是候选区域划分的过程计算量较大,不能满足实时性的要求。因此本文对单阶段的目标检测方法进行研究。本文工作和主要研究成果主要包括以下几个方面:（1）SSD目标检测算法中参与预测的不同尺度特征层之间并没有过多联系,为了提高上下文之间的联系,本文基于融合注意力机制将不同尺度卷积特征层的信息进行融合。融合注意力机制是一种全新的注意力机制,它首先通过尺度操作将不同尺度的特征层进行尺度统一,然后通过卷积以及矩阵乘法将上下文的信息引入到SSD算法中。在PASCAL VOC数据集上,实验证明了引入上下文信息的改进SSD算法相对于原始的SSD算法在m AP性能上得到了更好的效果。（2）SSD算法的前馈网络采用的VGGNet16网络结构,虽然VGGNet16是比较经典的模型之一,但是由于神经网络层数较浅效果有待提高。因此本文将SDD算法的前馈网络替换成层数更深效果更好的残差网络,构造一个新的模型结构Res Net-SSD。通过实验证明虽然将VGGNet16替换成残差网络但是效果并不会提高,它的m AP性能反而有所下降,但是在添加融合注意力和共享预测模块后,用残差网络作为前馈网络的模型准确度优于用VGGNet16作为前馈网络的模型准确度。（3）在目标检测任务中,针对感受野不足的问题,本文提出了共享预测模块（Shared PM）,通过利用空洞卷积（膨胀卷积）来增加不同特征层的感受野范围,同时为了减少参数量并提高计算效率,本文采用了共享卷积参数的操作。实验证明在基于融合注意力改进的SSD算法基础上加入共享预测模块在PASCAL VOC数据集上能获得更好的m AP性能。