传统的目标检测算法通常使用滑动窗口进行区域选择,提取所选区域中的特征向量输入到分类器中完成分类。这会造成大量窗口冗余,降低算法效率。后来学界广泛使用基于深度学习的算法,其多是通过卷积核遍历图像中的特征向量,完成检测任务。相比较于传统算法,虽然基于深度学习的检测算法极大的提高了目标检测的精度,但是该算法通过遍历所有特征向量完成检测任务,而在一张图片中,最有用的信息往往仅存在于目标周围的区域。因此,遍历的方式会增加不必要的计算量。为解决上述问题,本文针对计算机视觉中的注意力机制展开研究,计算机视觉中的注意力机制可以模仿人眼观察事物的方式,对于待检测图片,能够选择性的提取部分图像的特征向量完成检测任务,充分利用上下文信息,减少不必要的计算量。本文首先分析了现阶段目标检测算法的研究现状;随后在先前研究工作的基础上提出基于时序注意力机制的目标检测算法和基于改进自注意力机制的目标检测算法;最后,通过在一些通用数据集上的实验验证,证明两个目标检测算法在检测精度和时间复杂度方面均有较为优异的结果。本文的主要研究工作如下:（1）通过联系上下文信息的方式,可以减少不必要的特征向量计算,因此,本文设计了一个基于时序注意力机制的目标检测算法。首先,以循环神经网络作为该算法网络模型的主干结构,基于循环神经网络每一个循环时间步可以提取到不同区域的特征向量这一特点,使主干网络能够融合局部区域中的详细信息和粗略的上下文信息,实现基于时间域的注意力机制。最后,通过在策略集合中采样,决定下一时间步需要提取特征的位置。在多个通用数据集上的实验结果表明,本文提出的算法模型可以在不提取待检测图像所有特征向量的前提下,循环5个时间步长,使用约20M参数完成目标检测任务,在PASCAL VOC数据集上的平均准确率为87.4%。（2）循环神经网络存在时序递归问题无法做并行计算,从而只能完成单一目标检测。为了使得网络既能够充分利用上下文信息减少计算复杂度,又能够完成多目标检测任务,本文设计了一个基于改进自注意力机制的目标检测算法。首先,以Transformer模型作为本算法网络模型的主干结构,通过编码器中的改进自注意力—十字形自注意力机制,计算图片各部分的关联度。随后,该模型将带有图像各个部分权重和位置信息的特征向量输入检测任务头中。最后,由检测网络输出目标的分类结果和位置。通过实验结果证明,本文所提出的网络模型完成检测任务时所需的参数量约为80M,在COCO 2014数据集上可以达到约48AP的准确率,且由于检测头中包含基于注意力的NMS方法,使得模型在遮挡目标检测和复杂场景检测方面性能突出,在具有密集场景的City Persons数据集上可以达到约52AP的准确率。