目标检测是计算机视觉领域很多下游任务的基础,它的目标是识别出图片中所包含的物体实例并定位它们的位置。两阶段检测方法是基于深度学习的目标检测框架的重要分支,它们先生成可能包含目标的感兴趣区域（RoIs）,然后提取出RoIs内部的视觉特征来完成检测。每个RoI的有效感受野往往比较小,使得检测时使用的RoIs的视觉特征是局部的,缺乏全局上下文依赖,不可避免的造成噪声误检以及外观特征不明显物体的漏检。现有工作一般通过建模物体之间的语义和空间关联来捕捉上下文依赖,忽视了物体和环境之间的依赖关系。基于此,本文提出了一个全局上下文依赖网络（Global Contextual Dependency Network,GCDN）,利用全局上下文从整体的角度去捕捉上下文依赖。GCDN自适应的为每个RoI学习对应的上下文特征,作为原有局部视觉特征的补充,增强了两阶段检测器的识别能力。GCDN包含两个模块,上下文表示模块（Context Representation Module,CRM）和上下文依赖模块（Context Dependency Module,CDM）。针对全局上下文缺乏空间信息,CRM基于全局上下文生成多尺度上下文表示,将尺度等空间特征融入到视觉特征中。为了建模物体和上下文表示之间的依赖,CDM使用注意力机制建模RoIs和上下文表示中各个位置之间的依赖程度,根据依赖程度聚合上下文表示中的信息。为了减少计算量,本文还设计了一个轻量化版本的上下文表示模块。在目标检测基准数据集MS-COCO 2017上,本文选用多个两阶段检测器作为基线模型,将GCDN作为即插即用的组件嵌入到基线模型中进行实验验证。使用Res Net-50作为Backbone,GCDN分别为Feature Pyramid Network（FPN）,Mask R-CNN和Cascade R-CNN带来了1.5%,1.2%和1.0%的AP值提升,表明本文模型为基线模型带来了持续且显著的效果提升,验证了GCDN的有效性和泛化性。消融实验和轻量化实验表明本文设计的两个模块独立发挥作用并且互相补足对方。