目标检测作为计算机视觉的基本问题之一,也是其他许多计算机视觉任务的基础,近年来得到了较为广泛的研究与应用落地。对于安防领域,监控画面所拍摄的图像,往往存在目标复杂、弱光、夜晚场景的情况,大多现有目标检测算法还未针对此类场景进行专门的优化。因此本文中以加油站中的监控场景为例,结合相关的前沿研究从注意力机制与目标检测后处理等方面入手,提出了一种新的通道注意力机制Reinforce Fusion Attention Networks（RFANet）和改进的非极大值抑制算法DIo U-Soft-NMS,优化了此类场景下的模型整体精度。最后将提出的算法工程化应用,搭建了一个加油站全时段实时智能监管系统。本文的主要工作与相关贡献可以总结如下:一、从注意力机制的角度出发,提出了一种通道注意力机制Reinforce Fusion Attention Networks（RFANet）。其基于SENet改良,去除原有结构中的全连接层降维交互的机制,使用一维卷积实现局部跨通道信息交互,结合双路池化再融合加权的机制,增强了骨干网络的特征提取能力。通过实验验证,增加RFANet结构的模型可以在加油站卸油口监控场景下的目标检测任务中达到更好的准确率。二、针对监控视角下目标遮挡导致的漏检情况,提出了一种改进的非极大值抑制算法DIo U-Soft-NMS。其在冗余框的判断方式上增加了基于中心点距离的辅助判断信息和高斯加权惩罚,优化了遮挡框被误删的情况,提高了在复杂多目标场景下目标检测模型的整体精度。三、构建了两个以加油站卸油口监控场景和油岛监控场景的目标检测数据集。其中包含了全时间段、不同站点、不同光照情况、存在多类目标复杂交互的图像,卸油口数据集共计5312张图片,油岛数据集共计5117张图片。四、将改进的目标检测算法工程化应用,搭建了一个加油站全时段实时智能监控系统,用于对加油站卸油口场景进行智能监管。在工程方面,提出了一种基于前后帧时序状态的智能事件分析模块,完成了非法人员入侵报警、业务操作违规记录、历史事件查询等功能。