近年来,由于抗生素及免疫抑制剂在临床中的广泛使用,真菌感染的发病率逐年上升。目前,真菌的形态学检测手段仍依赖人工,并不能满足现阶段需求。因此,有关真菌检测的研究对真菌感染的及时发现和对症治疗有重要的现实意义。目前对真菌检测的研究多采用特征工程的方法。该类方法需要针对特定真菌的形态,通过人工设计提取特征信息对真菌进行分类识别。这些传统方法无论是在精度上,还是在适用性上都无法满足人们的要求。随着深度学习的发展和计算机性能的提高,通用目标检测的精度越来越高。在此背景下,本文以真菌显微图像数据集作为研究对象,研究基于深度学习的真菌检测算法。以协助真菌感染的临床诊断,提高真菌疾病的治愈率。本文针对真菌检测的目标特性提出平衡特征金字塔网络BFF-SSD,并使用注意力机制对其特征融合部分进行增强,实验结果证明该网络能有效提升真菌目标检测的精度。首先,针对真菌数据集中的不同目标尺度差异较大的问题设计了特征融合结构BFF模块。该模块利用SSD模型多个不同尺度的卷积特征图进行两次融合。第一次通过单向融合的方式将高语义的特征信息逐层融合至高分辨率的特征层,增强各卷积层特征的语义信息;第二次通过平衡特征融合的方式关注到非相邻层级中的语义信息,再次增强特征。在真菌数据集上的实验表明,与其它检测算法相比,BFF-SSD模型增强了网络对不同尺度目标的处理能力,提高了检测性能。其次,在对特征融合后的特征冗余和噪声问题进行分析后,提出了基于混合域注意力机制的特征增强模块FEA。该模块充分利用BFF-SSD网络结构中特征融合模块的层级特性,使用高层特征来约束相邻浅层特征的学习,通过空间域和通道域两个方面自适应地强化有用的信息,抑制噪声和冗余特征,进一步增强融合后特征层的表达能力。实验结果表明,与其他注意力模块相比,FEA模块对于BFF-SSD网络的提升更大。最后,在网络的预测模块,针对真菌数据集的特点调整了BFF-SSD模型的默认框生成比例,同时改进了模型的后处理算法。实验结果表明,对于默认框和后处理算法的改进有效地提升了检测的精度。