目标检测是计算机视觉领域基础且重要的研究方向之一。当输入图像时,目标检测算法要给出图像中不同目标的类别和位置坐标。近些年来,研究人员在该领域进行了大量的研究工作,并取得了一些突破性的进展,但是目标检测算法仍然面临着诸多挑战,例如真实场景中不同目标的尺寸、长宽比、遮挡和模糊等情况都对算法的鲁棒性和准确性提出了更高要求,准确、高效地对目标进行定位需要目标检测算法具有更强的特征分辨能力和边框定位能力。本文针对两阶段目标检测算法进行了研究,主要成果有:（1）提出了一种基于特征金字塔网络层级语义信息聚合的目标检测算法。为了将特征金字塔网络不同层特征的语义信息进行融合,构建层级语义信息聚合网络,聚合了不同层丰富的语义信息,捕捉了目标与目标之间、目标与背景之间的相互关系,从而提高了目标检测的精度;针对特征融合时存在信息丢失的问题,构建了密集激励特征增强模块,增强了目标的特征表示,使得网络能够关注目标之间的差异并抑制非目标区域,强化了目标区域的显著性,弱化了背景区域对检测性能的影响,从而提高目标检测算法的精度。（2）提出了一种基于多层感兴趣区域特征融合的目标检测算法。针对启发式的候选框分配策略会将相似尺寸的候选框分配到不同特征层的问题,构造了候选框分配策略,将每个候选框分配到所有特征层上,使得每个候选框都能获取适配特征;由于高层的卷积特征缺少细节信息而低层特征缺乏语义信息,构建了多层感兴趣区域特征融合网络,融合了多层感兴趣区域特征的语义信息和细节信息;针对卷积神经网络通常主要关注空间维度信息而忽略通道维度信息的问题,构建了通道和空间注意力融合机制,使得网络能够同时关注通道和空间的信息,从而提高了目标检测算法的性能。（3）提出了一种基于正负样本动态分配与边缘感知的目标检测算法。针对固定阈值的正负样本采样策略和动态网络训练不匹配的问题,提出了正负样本动态分配策略,使得正负样本的采样随着网络的训练而动态变化,且随着训练的进行正样本候选框的质量逐渐变高,进而提升分类网络的训练效果,从而提高了目标检测算法的精度;针对距离真实坐标较远的低质量候选框坐标难以回归的问题,将正负样本动态分配策略融入边缘感知网络,提升了回归网络候选框的质量,缓解了候选框回归困难的问题,同时提高了分类网络的分类性能,最终提高了目标检测的精度。