检测、分割与分类都是计算机视觉研究的重要任务。毋庸置疑,目标检测属于其中的检测任务,它广泛的应用在智慧交通、安全监控等领域。尽管目标检测开始崛起,但这是一个复杂的过程,实现这一过程需要面临不少的挑战,而目标检测中最大的挑战是保持速度与精度之间的均衡。在实现平衡的过程中,会遇到各种挑战,如被检测的物体具有不同的角度、不同的大小、形状不一和被遮挡等情况,这一系列的挑战都会影响到检测的效果与速度。在众多的区域选择策略中,基于窗口滑动被使用于传统的目标检测方法中,滑动窗口对于目标框的选择缺乏针对性,导致流程繁琐耗时,实时性不强,而手工设计的特征鲁棒性差、识别精度低。近年来,基于卷积神经网络（CNN）的方法能有效提取图像低层次和高层次的特征,在目标检测上的性能让人眼前一亮。当代基于CNN的目标检测方法中,大致分为以YOLO系列为代表的一阶段的目标检测方法和以RCNN系列为代表的两阶段的目标检测方法。由于“候选区域+特征重采样”是两阶段检测方法的核心操作,因此两阶段的目标检测精度高而速度慢。反之,一阶段的目标检测方法精度略微低而速度快。针对于现阶段目标检测所面临的挑战,本文主要从以下三个方面进行研究:（1）提出了一种基于多层次特征融合的目标检测模型用于提升小物体目标的检测精度。该模型通过融合高层次特征的空间信息与低层次特征的位置和细节信息,从而加强特征的提取,使得目标检测在小物体检测上的精度大大提升。与此同时,我们引入了V模块和双向FPN,通过使用自底向上和自顶向下的双路径,更好的促进信息的流动,利用准确的低层特征信息增强整个特征层次,这样使得模型能更加充分的利用多层次结构的特征信息。并且在特征融合后加入CBAM注意力机制,使得模型更好的关注图像的重要特征,从而有效提升目标的检测精度。（2）提出了一种基于残差块多尺度融合的目标检测方法用于进一步提升目标的检测精度。本文提出一个基于密集连接的残差块,每次特征融合后使用该残差块,可以有效的进行特征的补充。通过引入密集连接来更好的利用高层次和低层次的特征信息,从而能进一步提升不同尺度物体目标的检测精度。（3）提出了一种基于多层感受野的特征跳跃连接融合的目标检测方法用于降低网络的复杂度的同时提升目标的检测精度。为了让目标检测不受到单一感受野的约束,我们利用了非对称卷积和多尺度特征的融合,从而构建一个具有多层感受野的网络,并且使用了跳跃连接,加强了特征的重用,通过使用非对称卷积,构建一个复杂度低、参数量少的模型,提升在检测上的速度。