在计算机视觉领域,目标检测算法是基本任务之一,它在自动驾驶、工业检测、文本检测、行人检测、脸部检测、垃圾分类、遥感图像检测、医学图像检测等领域有着广泛的应用价值。随着近些年来深度学习技术的快速发展,目标检测算法也获得了跨越式的发展,目标检测算法变得越来越强大,在工业、交通、商业等领域的应用,为社会经济创新发展提供了强大的动力,基于深度学习的目标检测算法有进一步研究提升的空间,存在很多问题需要优化,比如卷积神经网络的结构如何设计才能提取到更适合目标检测任务的物体信息,大容量的数据集样本存在的样本不均衡问题,如何解决目标检测算法的多尺度检测问题,如何对提取到的卷积神经网络特征进行有效的特征融合来提升检测精度,如何改进对检测框的建模方式。所以,我们对现有目标检测的理论算法进行研究,针对上述中的一些问题,改进了一种适用于目标检测的双通路卷积神经网络,也融合一些比较先进的技术和思想,来不断优化模型的检测效果,并在公开数据集上进行了训练和测试,设计了对照试验,来证明网络结构的合理性,对训练和测试过程进行了实验分析。论文主要工作如下:（1）为了能提取到适合目标检测任务的特征和解决多尺度目标检测问题,提出了一种全新的双通道多尺度目标检测范式,并在此基础上设计了一种基于锚定框的单阶段通用目标检测算法,名为双路径单次检测器（Dual Path Single Shot Detector,DPSSD）。双通路可以保证在检测时可以更轻松的利用浅层特征,即残差通路和通道合并通路,提高检测精度。改进的双路径基础网络更加适应多尺度目标检测任务,它和特征融合模块共同构成了一种名为双路径特征金字塔的多尺度特征学习范式,在PASCAL VOC（Pattern Analysis,Statical Modeling and Computational Learning.Visual Object Classes）数据集和COCO（Microsoft COCO:Common Objects in Context）数据集上分别训练了320像素和512像素的模型,并且对网络中的结构进行了推理实验验证。实验结果表明我们的算法在SSD（Single Shot Detector）相关的单阶段目标检测算法中占有优势,在平均准确度上取得了先进水准。（2）真实世界图像的变化是目标检测的一个关键挑战,这些变化包括照明、姿态、变形、背景杂波、遮挡、模糊、分辨率、噪声和相机变形。目标物体通常与其他物体和环境共存,例如在物体关系、全局场景统计中,背景信息有助于对象检测和识别,特别是对于小对象、被遮挡对象和图像质量差的对象。为了解决目标检测中存在的这些问题,提升特征的鲁棒性,设计了不同的深层浅层特征融合模块来进行研究。卷积神经网络提取到的特征进行融合后再预测,会明显提升特征的鲁棒性,因此对卷积神经网络特征金字塔不同尺度特征之间的融合方式又进行了深入研究,通过阅读文献,总结相关文献中所使用的有效结构,设计了12种特征融合结构,并进行了对照试验,选择出了最适合双通路卷积神经网络的特征融合结构。（3）常用的一些目标检测算法需要根据经验预先设定锚定框参数,包括锚定框的长宽比率、个数等参数,为了简化这个过程,不再使用锚定框生成建议区域,而使用真实框分割的方法设计建议区域,阅读了相关最新的研究文献,引入了一种基于预选点的区域建模方法,预先设定一些可能包含物体的区域,然后将这些区域划分为正样本和负样本,输入到神经网络中进行训练,得到了检测效果更好的理论模型。我们对模型的整个训练阶段使用的参数值做了详细介绍,对测试过程的损失函数值和每一个类别置信度值变化进行了可视化分析。