随着深度学习呈现出飞跃式的发展和计算机设备的逐渐完善,目前的目标检测技术大多是基于深度学习的方式,而传统的目标检测技术已经逐渐落寞,在越来越多的领域都出现了基于深度学习的目标检测技术的身影,例如:无人自动驾驶、人脸精确识别、图像精细检索、工业零件检测等领域。但在实际生活中运用以深度学习为基础的目标检测技术时常常会出现问题,例如:目标之间相互遮挡,目标物体太小无法识别,网络模型参数太大无法达到实时性的要求等,目标检测算法的优化和改进仍有较大空间,是学界重点研究的问题,具有重大的实际意义和价值。本文以单阶段目标检测算法中的SSD为主要研究对象,分析了SSD算法的优缺点,对SSD算法进行了优化,并在此基础上提出EFSSD算法,EFSSD对小目标的检测精度与SSD算法相比有了明显提升,同时满足实时性要求,本文的主要研究内容如下:（1）对SSD目标检测算法进行研究,针对其对遮挡的目标检测效果不佳的问题,通过对其交叉熵损失函数替换为Focal Loss,并引入soft-NMS对原始的SSD算法的NMS进行改进,在Pascal VOC2007测试集上验证其可行性,实验结果显示,本文改进的SSD目标检测算法的检测精度有所提高。（2）针对SSD算法对小目标检测效果不佳的问题,本文提出EFSSD目标检测算法,首先在第三章对SSD进行优化的基础上加入ECANet注意力机制,通过一维卷积跨信道交互,避免了降维,有效捕获了跨通道交互的信息,ECANet模块是一种轻量型网络,参数不大但提升效果显著。其次本文将conv4＿3与经过上采样后的conv6＿2进行concat拼接操作,得到nconv4＿3卷积层,与经过ECANet处理过的conv7、conv8＿2、conv9＿2、conv10＿2、conv11＿2一同送入检测。最后进行对比实验表明,本文提出的EFSSD具有更高的精度,对小目标的检测具有更好的效果。