目标检测往往假设训练数据集和测试数据集采样于同一分布,但这在现实条件下往往不成立,从而影响目标检测性能。基于域适应的目标检测可将在有标签的源域数据集上训练的检测器泛化到另一无标签的目标域数据集上,摆脱新数据集上繁重的标注工作。本文创造性地提出了两种域适应目标检测模型。现有方法一般将鉴别器部署在检测网络不同阶段并通过对抗训练拉近源域和目标域间的图像级特征或物体实例级特征,或用风格迁移拉近像素级特征。但这些方法仍有不足之处,图像级特征拉近只将全局特征对齐却忽略了类别信息,破坏了语义;实例级特征拉近将基于伪标签得到的实例特征的所有区域同等程度拉近,忽视了物体的局部结构特征和语义鉴别性特征,易受到不准确的伪标签的影响;在两阶段检测网络中,忽略了提升区域建议网络（RPN）的召回率,导致在目标域上漏检很多物体。为解决上述问题,本文创造性地提出了代表性特征对齐的域适应目标检测网络和基于增强RPN的域适应目标检测网络。代表性特征对齐的域适应目标检测网络设计由类别权重生成器、类别选择和类激活映射组成的代表性特征提取模块,将主干网络不同层的特征输入代表性特征提取模块逐层提取物体的局部结构特征和语义鉴别性特征,并将这些特征自适应融合后作为代表性特征,最后将源域和目标域同类别的代表性特征对齐,实现精确的特征对齐,降低背景区域的影响。基于增强RPN的域适应目标检测网络设计了增强RPN模块,即将根据源域标签裁剪的物体区域作为源域模板,分别将模板特征和图像全局特征进行实例归一化,消除域特定的全局信息的影响;再用模板特征通过余弦相似度滑动更新构建模板字典,字典中每一项对应一种类别;然后将每一项与全局特征的注意力计算结果融合后作为增强特征并将其输入RPN,可过滤掉背景和干扰物体,提升RPN召回率;此外,我们将增强特征在两域间对齐,实现前景对齐,进一步提升域适应目标检测性能。本文在多个基准数据集上进行大量实验,实验结果验证了本文方法的有效性。