目标检测是计算机视觉领域中最基础且最具挑战性的任务之一,包含目标分类和定位。与此同时,目标检测作为图像理解和计算机视觉的基石,它为视频跟踪等任务提供了强有力的特征分类基础。最近,深度学习利用强大的分层特征提取和学习能力表现出更强的鲁棒性。尽管如此,现有方法在面对多尺寸目标检测和密集成群的小目标检测时仍无法取得较好的效果。为解决这些问题,本文旨在研究利用特征融合和重构的方法增强与丰富多阶段特征图中的多尺寸目标信息,利用视觉注意力机制捕捉富感受野下的目标特征信息,增强特征提取网络对小目标的特征表达能力。本文的研究内容如下:（1）针对现有单阶段多锚框SSD算法存在的多尺寸目标检测效率低下和特征图中目标信息冗余的问题,本文提出一种基于特征融合和重构的单阶段多尺度目标检测算法。首先,提出一种多尺度注意力模型,增强浅-中-深层特征图中目标全局语义特征信息。其次设计一种自适应分层特征加权机制,完成多阶段分层特征图的细粒度信息融合。最后,为解决深层特征图中信息冗余的问题,本文提出一种特征图重构模块,对结果特征图进行分割、视觉注意力关注和重组,关注于特征图中重点信息与消除冗余的目标特征。（2）针对现有视觉注意力模型分离通道式空间式注意力导致的图像特征提取不充分与小目标特征提取能力差的问题,本文提出一种特征信息交互注意力模型,设计信息编织结构融合多维度特征图,完成通道式空间式注意力特征图的细粒度融合。在此基础上,提出一种自适应循环特征信息交互注意力模型,多次且重点关注局部特征图,完成目标全局语义特征与局部上下文信息的提取、融合和增强。大量的实验结果表明我们的方法优于现有注意力模型,并在目标检测任务上表现出较好的性能。