目标检测在近十几年的飞速发展得益于与深度学习的结合,使用卷积神经网络提取特征相比于传统的手工提取在速度以及准确度上有巨大优势。同时目标检测的发展也促使工业应用逐渐完善,如医学图像检测、无人机、机器人视觉、自动驾驶、行人检测、人脸检测、工业零件检测等等,其在各个领域中大放异彩。但基于深度学习的目标检测在实际应用中也会出现各种问题,首先是在设备计算资源受限的情况下网络的效率--模型存储以及使用模型预测的速度问题。其次,如在水下场景中的数据存在诸如噪声、目标遮挡等问题,这些问题需要通过对算法不断地优化来解决,且在实际中具有重要的意义。基于Anchor的标检测算法可以分为单阶段和两阶段,两种算法各有优势,本文选择两阶段算法作为基本框架,并在此框架上针对以下问题进行算法优化:针对网络效率问题:卷积神经网络效率高是由于其包含了海量的参数,尤其是计算机硬件的发展,主流的卷积神经网络模型参数量计算量十分庞大,本文结合Dense Net网络结构以及Ghost Net轻量化方式对网络改进,提出了两路稠密连接结构,同时探索合理的网络宽度和深度,使网络参数量计算量与性能达到平衡。使用两路稠密连接结构构成轻量化网络LUNet,并作为检测算法的骨干网。在检测网络上,使用了骨干网多个阶段特征融合的注意力融合模块（Attention Fusion Model,AFM）并在COCO数据集上进行对比试验,结果表明其对网络性能有一定的提升。针对数据问题:现实中的数据是不理想的,在本文使用的水下生物数据集中存在两个问题--数据噪声以及图像中目标密集相互遮挡--使算法的性能大打折扣。针对前者,提出使用Retinex作为一种数据增强方式集成在检测算法中,实现端到端训练。使用Retinex之后,算法m AP值提高0.78。针对后者,通过改进损失函数来解决目标相互遮挡。在水下生物数据集上结果比以第三章为基线的效果提高6.72。在Pascal VOC数据集上的实验表明,在密集程度低的数据集上检测效果同样有提升。