目标检测是指首先预设一组与任务相关的类别,然后使用算法检测出图像中可能存在属于预设类别范围的目标。它是目前计算机视觉领域最为核心的任务之一,作为上游任务对其下游任务有着积极与深远的影响。虽然目标检测从传统方法阶段到深度学习阶段的发展历史久远而且非常成熟,但是目标检测应用于特殊领域,比如水下目标检测、无人机目标检测等还具有巨大挑战。由于数据采集困难,相比现有大规模公开数据集,这些领域的影像的规模和内容要更少、更复杂。本论文所有实验都是基于通过无人机采集的VisDrone-DET2018数据集,该数据集存在影像尺度各异、成像条件差、遮挡、目标呈现多尺度、小目标居多等多方面的问题。这些问题都具有很大的研究价值与挑战性,它们推动着目标检测向前发展。本文选择基于 FPN（Feature Pyramid Network）的 Faster R-CNN 作为基线,并专注于通过数据处理、正负样本采样、损失函数和特征融合四项研究内容来改进算法,主要内容如下:1.设计有效的数据增强方法。有效的数据增强可以在数据量少的情况下,减轻网络的过拟合。本文在无损数据的前提下,设计了基于像素插值的数据增强方法,经过实验验证,该方法在本文数据集以及其他一些小规模数据集中都会有0.20%左右mAP（mean Average Precision）的提升。同时,新数据可以模拟拥挤、遮挡等样本形态。2.改进正负样本采样策略。本文在mAP特性分析的仿真实验中说明了难负样本对于网络训练的重要性。Faster R-CNN由于使用随机采样策略,导致采样后的样本关于交并比的分布与原始分布不一致。本文遵循“分而治之”的思想,将单个采样区间修改为多个小区间。该平衡策略可以有效提升数据集中单个类别的AP。3.改进损失函数。目标检测中有分类与回归两个子任务,其损失函数是二者相加之和。实验发现,在训练过程中分类损失和回归损失之间一直处于不平衡状态。本文通过增加简单样本的梯度改进了回归损失,有效地缩小了两种损失之间的差距,使得网络对于两种任务的优化更加平衡。4.改进FPN结构。FPN结构可以融合高低级特征,但是其融合方式并不是完美的。本文采用了三种特征融合方法进行了实验:（1）通过增加自下而上结构,让两种特征在各层级间分布更均衡。（2）首先将FPN中各层级特征缩放到统一尺度,然后逐元素相加,最后通过注意力模块优化混叠后的特征。（3）为了使得特征更具鲁棒性,本文通过引入反馈机制,让网络在特征学习部分更具灵活性。改进后的FPN对于多尺度问题或者小目标检测都有积极作用。此外,本文将ResNet50中的3×3卷积替换为具有动态感受野的卷积模块,有利于多尺度目标检测。同时,通过建模全局上下文信息,增加目标定位的精度。