目标检测方法已取得快速发展,在预测人类活动、轨迹和与物体的交互在诸如人机交互、工业和日常生活场景等很多领域都得到了应用,但在某些实际应用场景中,经常受外界环境及复杂背景影响,被检测物体特征不明显,场景范围大,多尺度目标检测困难及存在漏检误检等问题,导致目标检测算法无法达到预期效果。本课题通过分析卷积神经网络经典算法的原理和优势、对现有模型进行比较总结,针对以上问题,本课题围绕以深度学习为核心的目标检测方法展开研究,主要研究内容和工作如下:（1）通过对现有的图像目标检测算法的调研,分析并比较了不同检测方法模型的优缺点,结合实际情况,选择本文研究的基础网络模型,通过理论分析,优化和改进目标检测算法,为后续工作奠定基础。（2）针对在复杂场景中不同尺度的目标物体,特征不明显目标易被漏检、误检等问题,为了提高提取特征信息的能力,本文引入了多尺度感受野模块（RFB）,利用不同大小的卷积核来获取不同大小目标的细节特征,充分利用不同层提取的有效特征信息,来提高对不同大小目标的检测能力。为了从复杂的背景中有效的感知获取目标特征对象,设计了由像素注意子网络和通道注意子网络组成的多维残差注意力机制网络,抑制背景影响,突出目标物体特征,将浅层特征和深层特征融合后送入多维注意力网络模块来获取更多的细节特征,来提高对中小物体的检测及精度。同时,该算法具有良好的鲁棒性,可以应用在大多数目标检测框架中。实验结果表明,改进后的算法检测效果得到了提升,并在PASCAL VOC 2012上Io U为[0.5,0.95]时m AP取得了84.32%的检测结果。与原始的基础算法相比较,改进后的方法有效地提升了检测性能。在VOC 2012上相对于基准模型和其延伸方法m AP分别提升了5.1%和0.6%,但是计算量却相对增加了1.4%,由于没有充分考虑到计算量及实验平台的影响,使得检测效率受到了一定的影响。（3）目标检测的分类和定位会生成很多重叠的预测框,无法正确的检测重叠和被遮挡的目标物体,通常采用NMS算法筛选最优预测框,但当两个目标离得很近的时候,则会导致被遮挡目标的预测框被去除,出错率高,而无法真实的预测。针对这个问题,本文采用Soft-NMS算法,增强对重叠目标物体的定位准确度,使得目标物体重叠的情况得到了极大的改善。（4）与其他算法进行了在相同实验条件下Io U为[0.5,0.95]时的对比实验,本文方法在MS COCO数据集上对中小尺寸的目标检测精度相对于基准模型和其拓展方法m AP分别提升了0.9%和1.6%,但参数量相比之前有所增加,导致检测速度有所下降,本文模型在牺牲了较小速度下获得了更好的检测效果。综上,实验结果表明本文方法在目标检测任务中,有效改善了对复杂场景中的目标物体检测效果,并提升了算法对因尺度和重叠遮挡引起的漏检、误检检测和定位准确度,同时本文算法也对多尺度目标,以及小目标的检测具有一定的提升。同时也可以应用到一些人流量较大的公共场所和公路交通应用等方面,具有一定的应用价值。