目标检测是计算机视觉的基础分支,能够为场景理解、图像描述和目标跟踪等复杂的视觉处理任务提供有价值的信息。目标检测的任务是在图像中判断目标的类别并确定在图像中的位置,这是计算机视觉领域最基本且最有挑战性的问题之一。近年来,深度学习技术凭借强大的特征表示能力,为目标检测领域带来了突破性进展。因此,基于深度学习的目标检测算法成为目前主流方法,而提高基于深度学习的目标检测算法精度的核心问题是,如何提取语义信息丰富的目标特征和设计合理高效的目标检测网络结构。本文围绕以上核心问题进行了以下几方面的研究:1.提出了一种基于深度自适应金字塔特征与层级监督的目标检测网络。针对多尺度特征融合时,特征语义信息存在间隙问题,在特征金字塔网络FPN的基础上设计了自适应特征融合模块和层级监督机制。一方面自适应学习通道权重来将金字塔尺度特征进行合并,另一方面使用层级监督机制对多尺度特征实施相同的监控信号,缩小了不同尺度特征之间的语义间隙。在PSAVAL VOC数据集和Vis Drone2019数据集上分别取得80.96%和20.18%的平均精度,比以FPN为代表的两阶段目标检测算法分别提高了1.76%和0.66%,比以Retina Net为代表的单阶段目标检测算法分别提高了2.87%和1.69%。2.提出了一种基于可变形感知注意力机制的目标检测算法。针对图像背景干扰目标检测的问题,设计了一种随着目标的形态变化而改变感知区域的注意力机制,可以有效地提取图像中特定区域的细节信息。该注意力机制通过对特征的通道信息和空间信息进行整合获得注意力感知特征,强化显著特征的语义信息并弱化背景干扰信息。与Faster-RCNN算法结合后,相比于通道注意力机制和空间注意力机制,在PSAVAL VOC数据集上分别提高1.24%和1.53%。与第三章算法结合后,在Vis Drone2019数据集上的精度提高了0.04%。因此,可变形感知注意力机制能有效辅助网络提取特定区域的重要信息,提高了注意力感知特征的辨识度,提高检测精度。3.提出了一种基于深度扩张卷积与层级监督的目标检测网络。为了从网络设计方面来提高多尺度特征表达能力,基于特征金字塔网络FPN设计了感受野拓展模块,通过多分支的扩张卷积和标准卷积结合的方式构成的感受野拓展模块,能够使得到的特征既具有全局信息又包含局部细节。通过在每层上增加感受野拓展模块,在PSAVAL VOC数据集的精度逐步提升,最高可以提升1.04%。在Vis Drone2019数据集上与FPN算法相比提高了0.27%,与第三章算法相比降低了0.39%。