目标检测作为深度学习的一个重要分支,已经被广泛应用于智能交通、工业质检和自动驾驶等领域,创造了巨大的经济价值,降低了人工成本。近年来对目标检测网络的改进主要集中在网络结构、数据预处理等方面,忽略了网络超参数的重要性。实验表明目标检测神经网络对超参数敏感,为了得到适应具体场景的最佳参数,往往需要耗费研究者大量的精力。因此,设计针对神经网络特点的高效超参数优化方法意义重大。本文对目标检测网络中的锚点超参优化问题展开深入研究。针对目前锚点超参数设置方法过度依赖先验信息的问题,引入反馈控制理论,设计了自反馈超参数搜索框架。根据计算资源量的约束分别提出了基于子空间融合和基于滑动平衡的锚点超参搜索方法,具体工作内容总结如下:1、在计算资源受限的情况下,针对常规锚点优化方法过度依赖先验信息的问题,提出了一种基于子空间融合和向量均值回归的锚点搜索算法方法。首先引入SuccessiveHalving算法快速确定初始种子点,其次利用训练结果生成检测子空间和漏检子空间,分别在两个子空间中采用均值回归算法规划出偏移向量,并进行加权融合生成迭代超参数。除此之外,算法通过使用提前终止策略中断无潜力的搜索路径,提高资源利用率。与经典的锚点优化方法对比,本文提出的方法克服了对先验信息过度依赖的问题,能从随机初始种子点快速搜索得到较优秀的锚点超参数,提高了目标检测网络的性能。与经典的贝叶斯优化算法对比,本文提出的方法在搜索效率和检测性能上均有一定的优势,且搜索资源越少,优势越明显。2、在计算资源充裕的条件下,针对贝叶斯方法单一评估模型泛化能力弱、搜索方差大的问题,提出了基于动态代理和滑动平衡的贝叶斯优化方法。首先利用历史数据使用交叉验证法动态选择代理模型;其次利用概率改进（PI,Probability of Improvement）采集函数的推荐值生成K个近邻超参数,引入Hausdorff距离度量探索价值,建立探索到利用逐级过渡的滑动平衡策略,根据当前资源利用率确定最终的锚点超参数。实验表明,本文提出的方法能动态平衡探索与利用,在指定数据集上,检测指标AP50对比经典贝叶斯方法提升约1%,且在大规模网络中的表现也优于经典的锚点优化方法。本文针对目标检测网络的锚点优化任务,根据搜索资源的不同分别设计了两种优化方法。在搜索资源较少的情况下,基于子空间融合和向量均值回归的锚点搜索方法能克服对先验信息过度依赖的问题,快速搜索到较优秀的锚点超参数,适用于网络的快速部署;在搜索资源相对丰富的情况下,基于动态代理和滑动平衡的贝叶斯优化方法能更有效地利用历史数据,自适应调整探索与利用比重,适用于指标要求更高的超参数优化任务。