随着深度学习的发展,利用卷积神经网络对目标进行实时检测的研究越来越热门。目标检测技术在自动驾驶、无人机、智能监控系统、医学手术定位以及军事目标检测等嵌入式系统中发挥着重要作用,但现有算法的实时性与检测精度还难以同时满足上述应用的需求。因此本文选择先进的不基于先验框（anchor-free）的实时目标检测算法作为研究重点。本文研究发现现有的不基于先验框的检测算法在同一特征图上预测所有任务,虽然深层特征图抽象程度高,但其空间分辨率较低,位置信息相对匮乏,更适合完成目标分类任务,难以完成目标精确定位任务,而这一特征属性与任务属性不匹配的问题限制了现有检测网络的精度。针对这一问题,本文首先提出了一种匹配目标多尺度特征与预测任务的实时目标检测算法（MFT算法）,同时匹配浅层细节特征与精确定位任务、多尺度多感受野抽象特征与目标存在性预测任务。设计了多尺度目标存在性预测模块和多感受野目标存在性预测模块,分别在多分辨率多层级特征和小分辨率多感受野特征上进行目标存在性预测,改进了目标属性预测方法,匹配了特征属性与目标存在性预测属性。所提算法缓解了多尺度特征与预测任务不匹配的问题,能以较小的计算代价显著提高检测精度。进一步地,本文提出了基于反向特征补偿金字塔的实时目标检测算法（RFCPDet算法）,通过将目标局部细节信息补偿到低分辨率特征,匹配了多尺度特征与目标定位任务。为补偿低分辨率特征的位置信息,设计了反向特征补偿金字塔结构,使各个层级的抽象特征都包含位置细节信息,补偿了多尺度抽象特征的语义鸿沟。补偿后的低分辨率特征同时包含抽象语义信息与位置细节信息,为有效利用多尺度特征,设计了空间特征融合模块,将不同分辨率的抽象层特征有机地融合到一起,挖掘特征在通道与空间两个维度上的信息,匹配了多尺度特征与目标定位任务,进一步提高了检测精度和速度。实验表明,所提出的MFT算法匹配了多尺度特征与预测任务,RFCPDet算法有效地补偿了低分辨率抽象特征的位置信息,进而匹配了多尺度特征与精确定位任务,在保证检测实时性的前提下,从任务匹配和特征补偿两个方面提高了实时目标检测的精度,适合用于实时性要求较高的嵌入式系统。