目标检测是计算机视觉的主要任务之一,其任务是给出图像中目标的类别和目标的位置坐标。近年来,随着深度学习的快速发展,使用卷积神经网络来进行目标检测已经成为趋势,并且基于卷积神经网络的目标检测能达到较高的检测精度和较快的检测速度。但是由于目标多尺度以及遮挡等问题,使得目标检测依然是一项具有挑战性的任务。本文主要针对两个问题进行研究,一个是多尺度的目标检测,另一个是小目标和被遮挡目标的检测。为了解决多尺度的目标检测问题,本文提出了三种多尺度目标检测方法。(1)本文实现了基于VGG16的特征金字塔目标检测方法,然后在该方法的基础上添加三个额外的下采样层,实现了改进的特征金字塔目标检测方法;(2)本文对卷积层的级联方式进行了研究,最终提出了一种阶内聚合的特征金字塔方法;(3)本文将阶内聚合方法与特征金字塔方法进行融合,并且添加规范化层,提升训练的速度,最终实现了优化的多尺度目标检测方法。为了解决小目标和被遮挡目标的问题,本文对上下文信息模块进行了研究,提出了两种上下文信息模块。(1)多分支上下文模块:通过使用1×1,3×3和5×5三个不同卷积核大小的卷积分支来增强特征的感受野;(2)ROI上下文模块:通过扩张目标候选框获得上下文区域,用于辅助第二阶段目标的分类和回归。本文在KITTI数据集上测试了提出的所有方法,并在PASCAL VOC 0712数据集上测试了部分方法。实验表明,本文提出的方法能够提升目标的检测准确率,最终在KITTI Moderate数据集上达到88.19%的检测准确率,在PASCAL VOC 0712上也提升了0.7%。