随着深度学习和计算机视觉技术的快速发展,目标检测任务受到了广泛的关注与研究,其在智能安防,自动驾驶,航空航天等领域有者关键的应用。然而,当前目标检测主要存在特定场景下的训练数据缺乏,对小目标检测性能不佳等问题。本文针对数据缺乏问题,研究了通过生成数据对训练数据进行增强,再进行目标检测的方法,主要的研究内容如下。第一、本文研究了一种合成目标检测数据的方法。首先通过DCGAN生成被检测目标的图像,接着通过图像匹配找到原图像的位置并用生成图像覆盖原图像,最后通过pix2pix HD网络消除边缘的差异。实现过程中对生成对抗网络的损失函数进行了改进,加入了模型间的距离正则项来减少模型崩塌的产生。第二、本文对目标检测特征提取的主干网络进行改进。本文基于RetinaNet及其主干网络ResNet的结构进行改进,在残差块结构中加入空洞卷积结构,增大特征图像的感受野,通过减少卷积之后的特征图的通道数量来减少计算量,并有效的加深网络结构,引入新的层级提取特征用于之后的特征融合工作。第三、基于特征金字塔的结构进行多级特征融合的方法改进。本文采用空间自适应融合的多级特征融合结构,可以自适应的学习不同的参数来融合低层和高层的特征图像。高层的特征采用连接的自下往上的结构,将低层特征更好的融合到高层,对较小和较大的目标都可以很好的检测。第四、对目标检测边界回归损失函数的改进。一般的边界回归损失函是一般使用Ln范式,然而目标检测的评价指标是基于IoU,然而Ln范式无法反应IoU的回归性。因此基于IoU损失函数进行改进,加入了目标框和预测框的中心点的距离和长度和宽度的比例的惩罚项,完善了IoU损失函数的约束。最后,通过实验验证了本文改进的有效性,并且将最终的改进模型使用生成的数据进行实验,得到了良好的检测效果与精度,验证了通过生成数据进行目标检测方法的合理性和有效性。