目标检测是计算机视觉领域中一项基础但极具挑战性的任务。传统的目标检测方法包括区域选择、提取特征、分类回归三个操作。这其中存在的问题主要有:第一人工提取的特征鲁棒性不好;第二提取候选区域的方法效果并不理想而且时间复杂度很高;第三不能实现端到端的训练和测试。随着深度学习技术的发展,目标检测算法也从基于手工特征的传统算法过渡到基于深度神经网络的检测算法。在日常场景中人类与计算机对于目标的识别与检测可能有着不一样的语义表达,但借鉴人类视觉识别任务中对于上下文信息的应用,利用上下文信息对目标检测方法的提升和改进有着重要的意义。本文在目标检测任务中显式地建立模型,对输入图像的上下文信息进行提取和深入分析讨论。在基于特征金字塔网络(Feature Pyramid Networks,FPN)的基础上,提出了利用上下文信息来提升目标检测准确率的几种改进方法。本文的主要工作如下:(1)全局上下文信息提取。在FPN目标检测算法的基础上,通过分别引入聚合激励模块(Squeeze-and-Excitation block,SE block)和全局上下文模块(Global context block,GC block)来对算法进行改进。SE block通过提取多尺度特征的全局信息,利用门控函数选择性地抑制冗余的特征通道,从而实现特征图特征通道的自适应校准。GC block通过捕捉特征长距离的依赖性来提取上下文信息,从而对特征起到补充语义信息的作用。同时,本文在GC block的基础上经过改进,引入特征尺度自适应选择的思想,提出了一种新的全局上下文信息提取模块,命名为选择性全局上下文模块(Selective global context block,SGC block)。(2)多尺度上下文信息提取。在多尺度特征融合网络中,通常把高层特征融合到低层特征,从而使高层的语义信息补充到低层特征。而本文提出了一种新的特征融合模型DFPN,在自顶向下的特征融合网络基础上,引入新的自底向上的特征融合支路,使多尺度的上下文信息更丰富,最后把两路的融合特征进行结合,使特征提取网络拥有更好的特征表示。同时本文将SE block、GC block和SGC block分别嵌入到DFPN网络当中,从而将提取到的全局上下文信息融入到模型里面。(3)在Pascal VOC 2007和Pascal VOC 2012公开标准数据集上,本文对所提出的基于上下文信息改进的目标检测模型进行了训练和测试。实验结果表明,本文提出的全局上下文信息提取网络和多尺度上下文信息提取网络均能有效地提升目标检测任务的检测精度,同时本文提出的DFPN模型在小目标检测精度上具有很好的提升效果,而且在复杂的目标检测场景中对遮挡物体、小物体和密集物体的检测具有更好的鲁棒性。