目标检测是数字图像信号处理领域中的一项重要课题,是其他高级视觉任务的前提,被广泛应用于自动驾驶、航拍检测等领域。传统目标检测算法准确度不高且实时性较差,基于深度学习的目标检测算法虽在一定程度上改善了这种现象,但仍存在对小目标物体检测困难等问题。为减少这类问题对算法造成的不利影响,提升算法检测性能,本文对基于单阶段网络模型的目标检测算法——SSD算法进行深入研究,针对算法中的不足提出相应改进方法,具体内容如下:（1）针对基于单阶段网络模型的SSD目标检测算法所存在的局限性,对输入图像中小目标物体检测困难等现象,提出一种融合特征金字塔网络和注意力机制的目标检测算法。首先采用特征金字塔网络的思想对SSD算法的多尺度特征图进行融合,为后续检测奠定基础;然后为融合后网络的最后两层特征图添加注意力,提高感兴趣区域的权重;最后,对比两种优化算法并对网络进行训练完成目标检测任务。（2）针对基于单阶段网络模型的SSD目标检测算法中由于边缘区域目标特征不明显,基础网络下采样操作造成图像分辨率降低、局部信息缺失,同时由于算法感受野不足,导致图像边缘处目标难以检测的问题,提出一种基于空洞卷积的多尺度特征融合目标检测算法。首先通过不同扩张率的空洞卷积替换conv4＿3卷积层及之前两次标准卷积,更好的挖掘图像中全局信息;其次结合反卷积对不同尺度的特征图进行跳跃式特征融合,完成高层特征图在底层特征图上的映射;最后为所有特征图添加注意力,对特征图上的信息进行整合,进一步提高检测性能。（3）在公共数据集上分别对改进算法和其他几种主流算法进行模型训练、性能对比,实验结果表明,相比其他算法,改进算法改善了原算法对小目标物体及对边缘目标物体检测困难的同时,仍保留了较快的检测速度。