深度学习技术得益于算力的提升和大数据时代的到来,取得了重大突破,尤其是以卷积神经网络为基础的计算机视觉领域得到迅猛地发展,并在目标检测,目标分割等多个任务上取得了远超传统算法的效果。但是由于深度学习算法需要海量的数据进行训练,待检测目标的多尺度变化带来了新的挑战。通常情况下,研究人员从卷积网络结构设计,数据处理,卷积操作三个方面来解决多尺度问题。在卷积网络结构设计方面,并行设计让网络使用尽量少的参数的同时提取到目标的多尺度特征,串行设计使得不同尺度的特征信息得以融合,多尺度预测在不同尺度的特征图上进行预测。本文以此为基础,设计了一种轻量级的多尺度目标检测网络结构,该网络同时考量计算复杂度和模型效果,在尺度变化较大的COCO数据集上得到了双赢的结果。在数据处理方面,基于裁剪和缩放的算法使得不同尺度的目标在相同尺度下进行预测。在面对极小目标和“超大图像”时,通过有效的切片操作,使得图像不需要经过下采样直接进行预测。本文在切片算法的基础上提出了一种切片融合算法,可以将被切分的目标融合为完整的目标,解决了原本算法不可以有效检测“超大图像”中尺度变化目标的问题。在卷积操作方面,可变形卷积通过对卷积核采样点增加偏置的做法有效解决了单一卷积层采样点固定的问题,但是同时也带来了使用复杂,需要重新训练的缺点。本文分析了不同因素下可变形卷积操作和标准卷积操作的时间开销和效果,并提出了一种使用可变形卷积升级原有网络的算法,可以方便地使用可变形卷积升级任意标准卷积网络,并在PASCAL VOC数据集和COCO数据集上得到了超过原本网络的结果。