目标检测任务是图像视觉领域一项具有重大挑战性的研究课题。它要求计算机在一幅含有多目标物体的图像中，对感兴趣的物体进行分类，并且通过边界框标注出每个物体的具体位置。在实际应用中，目标检测在智能监控、空间遥感及医疗辅助诊断等方面具有非常重要的研究意义与价值。随着GPU计算性能的不断优化以及人工神经网络的深入研究，基于深度学习的目标检测算法在通用目标检测任务上取得了较为瞩目的成就，但对小目标物体的识别精度仍不甚满意。此外，与公共数据集上的通用目标检测任务不同的是，对于现实中一些特定场景下的目标(如商品目标检测)，由于背景环境以及分布等具有一定的特点，还具有其特有的识别难点，仍然有较大的提升空间。为此，本文在当下流行的检测算法的研究基础上，从通用的目标物体以及特定场景下的目标物体两方面进行研究，具体主要包括以下两个方面：
　　虽然目前在通用目标数据集MSCOCO上的检测任务已经取得了不错的性能，但由于该数据集中目标物体种类多以及尺寸多变，整体的识别效果仍有较大的提升空间，尤其是对其小尺寸目标物体的识别精度。为此，本文提出了基于双注意力模型引导来优化目标特征的检测算法框架，具体包括多尺度特征级联注意力模块以及显著通道自注意力模块，多重注意力共同作用使得特征图更具表征性和判别性。通过与当前先进算法对比，表明所提方法具有一定的有效性。
　　随着消费升级，对超市及仓库智能化的管理日益重要，为了促进商品目标检测任务的发展，本文构建了一个以奶茶为目标对象的货架稠密小商品数据集，并采用多种检测算法对其进行评估。然后针对该数据集中目标物体小且分布密集，并且平均目标数目多等识别难点，提出了一个多感受野信息融合的注意力模型。该模型通过自下而上的前馈神经网络构建出多尺寸特征金字塔，然后自上而下将不同尺度的特征进行融合操作，用来丰富特征的语义信息。并通过对卷积神经网络各阶段特征图的每一个区域进行不同重要性加权，增强特征图中目标物体的信息，缓解背景信息以及非目标物体的噪声干扰。同时，还提出一个可自动分配权重的损失函数，使目标类别分布不平衡的问题得到了有效解决，取得了较好的检测效果。