随着深度学习及卷积神经网络的发展,视频目标检测任务在实际应用中展现出巨大的发展潜力,如智能视频监控、自动驾驶等,受到学术界和工业界的广泛关注。近年来,研究者们将先进的目标检测框架拓展到视频目标检测领域,但面临两个挑战性问题,即目标多尺度和形变异常。目前大多数研究极少同时考虑这两个问题,导致检测效果未能满足实际需求。本文围绕视频图像存在的目标多尺度和形变异常等问题研究视频目标检测方法,从特征增强的角度提出两个针对性的模块,建立基于特征增强的视频目标检测框架。本文的主要工作包括以下三个部分:1)提出尺度感知模块,应对视频目标多尺度。该模块是一个轻量级的网络结构,由一组具有参数约束的膨胀卷积层和一个缓冲卷积层组成。该模块仅通过控制膨胀系数即可改变卷积的感受野,从而灵活地获取多种尺度的目标信息,并保证较低的计算开销。2)提出双分支RoIs(Region of Interests)特征提取模块,解决视频目标的形变异常。该模块主要包括位置敏感RoIs特征提取分支和上下文敏感RoIs特征提取分支,分别提取具有目标细节信息和上下文信息的RoIs特征,并将这两种RoIs特征以点乘的方式获得融合的RoIs特征。3)提出基于特征增强的视频目标检测框架,旨在平衡检测精度和检测速度。该框架将所提的两个特征增强模块融入先进的目标检测模型,利用光流网络建模视频帧间的时序信息,并采用多帧聚合策略协助改善视频目标的形变异常。实验表明,本文构建的视频目标检测框架在Image Net VID数据集上获得了77.9%m AP(mean Average Precision),比单帧检测器R-FCN提升了5.9%。