图像目标检测是计算机视觉领域内的热点课题,它的主要任务是从输入图像中定位感兴趣的目标,然后准确地判断每个感兴趣目标的类别。近年来,随着深度学习技术的火热发展,目标检测技术已经广泛应用于日常生活安全、机器人导航、智能视频监控、交通场景检测及航天航空等领域。特别是卷积神经网络的成功应用,使目标检测的性能取得大幅度的提升,并涌现出大量不同的检测算法和网络模型,从而目标检测技术得到快速的发展。本文对基于深度学习的目标检测算法进行充分调研的基础下,分析了经典的SSD(Single Shot MultiBox Detector)检测方法存在的不足并做出了改进,以下是本文的主要工作:(1)本文首先简要的论述了目标检测的研究背景、意义及其难点,接着对基于深度学习目标检测算法的两大类进行综述,即基于候选区域算法和基于回归算法。对于第一类算法,先介绍了基于区域的卷积神经网络(Region with Convolutional Neural Network,R-CNN)系列算法的发展史,然后从四个维度综述了研究者在RCNN系列算法基础上所做的改进研究:对特征提取网络的改进研究、对感兴趣区域池化层的改进研究、对区域提取网络的改进研究、对非极大值抑制算法的改进研究。对第二类算法分为YOLO(You Only Look Once)系列、SSD算法及其改进研究进行综述。最后根据当前目标检测算法在发展更高效合理的检测框架的趋势下,展望了目标检测算法未来在无监督和未知类别物体检测方向的研究热点。(2)SSD算法不仅具有实时的检测速度,而且拥有良好的检测精度,但由于SSD算法提取的各个尺度特征间缺乏联系,浅层特征缺乏语义信息,高层特征缺乏空间细节信息,导致其对小目标和密集目标的检测效果非常不理想,针对这些问题,本文在SSD算法的基础上提出了浅层特征增强网络,设计了一个小型的特征金字塔结构对提取的浅层特征进行多尺度语义信息融合,从而获得具有详细空间细节信息和丰富语义信息的增强型浅层特征,再以此为基础提取多个不同尺度特征进行检测。在PASCAL VOC2007数据集和MS COCO2014数据集上的实验结果有效地证明了,本文模型对小目标和密集目标具有较好的检测效果。(3)为了进一步研究多尺度语义信息对特征表征能力的影响,本文在浅层特征增强网络的基础上进行改进,提出了多尺度特征注意力增强网络,通过在前两个大尺度特征检测分支中引入感受野模块,加强了大尺度特征对大、中型目标的表征能力,接着设计了4个注意力指导模块,对多个不同尺度特征构建了类似特征金字塔的特征融合结构,不仅增强了多个尺度特征的注意力,而且加深了不同尺度间的联系。在PASCL VOC2007数据集上的检测效果,证明了多尺度特征注意力增强网络能够有效提高模型的检测精度。