目标检测探讨如何精确的定位并分类物体,它是计算机视觉中的一个重要研究范畴。目标检测作为基础性的识别研究,对后续的行人检测、人脸识别、自动驾驶等研究都有着至关重要的影响。虽然关于目标检测的研究由来已久,然而依然存在着许多关键问题亟待解决,例如小目标的检测精度普遍不高、重叠物体检测困难、一阶段目标检测算法精度较差、实时目标检测精度与速度的平衡等。本篇论文提出了基于注意力机制的深度学习算法来进行目标检测,注意力机制对提取的特征进行了有针对性的加权,让目标检测更加具有目的性,输出的特征更具有显著性。设计并训练了一个新颖的三分支目标检测模型——TBANet,包含空间网络、语义网络和上下文网络,达到空间细节信息、多级语义信息、上下文信息的高质量的获取,从而实现了精确的目标检测。本文针对注意力机制进行深入研究。首先介绍了注意力机制、多分支网络和网络主干网的研究现状。然后对卷积神经网络、目标检测算法、注意力机制的理论进行叙述。之后说明了各种注意力模块和空间金字塔池化模块的设计,并进行了对比实验,通过实验说明了所设计模块的作用及有效性。所提出的算法在PASCAL VOC 2007测试数据集上获得了83.71%的平均精度(mean Average Precision,m AP),优于目前最先进的算法。最后,将TBANet进行稍许修改后所形成的语义分割网络模型,在Cam Vid测试集上达到83.1%平均Io U(intersection-over-union,Io U),超越了目前先进的语义分割算法,证明了所提算法的通用性。