随着人工智能深度学习技术的研究与应用,基于深度学习的目标检测技术快速发展,在现代生活的各个领域得到了广泛应用。目标检测任务作为计算机视觉的基本问题之一,构成了许多其它计算机视觉任务的基础,具有重要的现实意义和广阔的应用前景。目前,基于深度学习的目标检测算法主要分为两种:两阶段目标检测算法和一阶段目标检测算法。然而,在现实场景中目标对象通常是复杂多样的,目标检测模型需要检测出不同尺度的目标,例如小、中、大目标,但多尺度目标检测依旧是目标检测领域的难点。通用目标指的是在日常自然场景下的常见目标而非特定场景的目标,具有更大的适用性。因此,本文针对多尺度通用目标检测问题,在经典算法Faster R-CNN和RetinaNet的基础上,对这两种算法存在的问题进行针对性改进,提升其在多尺度通用目标上的检测性能。本文的主要工作如下:（1）通过深入剖析Faster R-CNN算法和RetinaNet算法的原理及过程,构建基于两阶段的Faster R-CNN目标检测基线系统和基于一阶段的RetinaNet目标检测基线系统,采用通用目标检测领域常用的MS COCO和PASCAL VOC数据集来进行实验测试和可视化展示,以分析归纳这两种算法存在的缺陷。实验结果表明,Faster R-CNN算法的特征提取与融合效果较差,导致对多尺度目标的检测精度较低。RetinaNet算法在特征提取与融合过程中容易丢失多尺度目标的特征信息,同时边界框回归不够准确。（2）针对Faster R-CNN算法存在的多尺度特征表示与检测任务不匹配问题,提出了一种多尺度特征增强的改进型Faster R-CNN算法。该算法首先在深度残差网络引入可切换空洞卷积,进一步增强特征提取效果;然后,在特征融合模块引入involution卷积,进一步增强特征融合效果。实验结果表明,与Faster R-CNN算法相比,本文提出的算法在MS COCO和PASCAL VOC数据集上的平均精度分别提高了5.5%和2.2%。其中,在COCO测试集上,小、中、大目标检测精度分别提高了3.0%、5.5%、8.8%。（3）针对RetinaNet算法存在的难以充分提取与融合不同阶段特征及边界框回归不够准确的问题,提出了一种多阶段特征表征与边界框联合优化的RetinaNet算法。该算法首先在深度残差网络中引入多光谱通道注意力,以更好地捕获特征原有的丰富信息;然后,将路径聚合操作与特征融合操作相结合,设计了多尺度特征融合模块,以更好地融合不同阶段的特征;最后,在边界框回归过程中引入完全交并比损失函数,以实现更快更准确的回归。实验结果表明,与RetinaNet算法相比,本文提出的算法在MS COCO和PASCAL VOC数据集上的平均精度分别提高了2.1%和1.1%。其中,在COCO测试集上,小、中、大目标检测精度分别提高了1.5%、2.3%、2.3%。