目标检测是计算机视觉的基础性研究领域之一,它主要由分类与定位两个任务组成,用于检测输入图像或视频中是否存在感兴趣的目标。目标检测在视频监控、医疗诊断及自动驾驶等领域都有着非常重要的应用价值,因此受到了大量研究人员的关注。近几年随着深度学习的快速发展,深度学习研究方法也逐步与传统的检测算法融合,取得了巨大的突破。然而在实际应用中,目标通常会受到光照、拍摄视角和遮挡等因素的干扰,导致目标的形态和外观发生巨大的变化,进而影响检测器的性能。与此同时,小目标和中目标只占图像信息中的小部分,使用卷神经网络构建特征金字塔时会遗漏很多目标的细节特征。针对上述问题,本文对当前现有算法进行了深入研究,引入了多尺度特征融合、目标定位、一致性监督等方法来提升检测器的检测性能,本文主要创新点如下:（1）针对现有目标检测器存在目标信息丢失,及对多尺度目标特征提取比较粗糙的问题,本文引入了一个特征增强模块,该模块是在原有特征金字塔结构的基础上构建的。首先使用大卷积核对主干网络的特征进行再次提取,以获得更精细的目标特征;然后将提取到的特征进行融合;接着再将融合后的目标特征与原始特征金字塔的特征进行融合,以获得鲁棒的目标特征,同时该操作加强了低层特征与高层特征之间的信息交互。另外,针对分类得分与定位准确度相关性低而造成检测器检测精准下降的问题,本文设计了一个定位评分分支,该分支用于预测预测框的位置评分,并使用分类得分与位置得分的乘积作为预测框的定位得分。本文提出的算法能有效地提升检测器的检测精度,尤其对小目标的预测表现更好。（2）针对目标特征与锚框不对齐,导致提取到的特征容易受到周围其他特征的干扰问题,本文设计了一个特征对齐模块,该模块利用目标的位置信息指导网络更好的学习目标特征。另外,针对特征间存在语义差异问题,本文引入了一致性监督模块,该模块对目标特征进行两次监督学习,以保持特征之间的语义一致性。最后,为了获取到目标的全局信息,本文将高层特征与低层特征进行融合,以获得更具表征力的特征,再使用一个简单的注意力模块提取目标的全局信息。本文算法在复杂场景能够精准的提取到更丰富的目标特征,并能更精准的确定目标的位置及类别,尤其是对小目标的检测。