目标检测的任务是从图像中识别感兴趣目标的类别并用检测框标记其大小和位置,随着深度学习的广泛应用,目前对于图像目标检测的研究取得了巨大的进步和成果,近年来人们开始研究对视频的目标检测方法。视频是由一系列连续图像组成,其图像之间存在一定的映射关系,视频在提供更多前后文时序信息和空间信息的同时,其场景的变化也增加了许多挑战,如:目标遮挡、运动变形、光照模糊等。如果将图像目标检测方法直接用于视频的目标检测,不仅速度慢,而且效果差。所以,如何利用视频数据提供的前后信息和冗余信息,在保证检测速度的同时,解决视频目标检测中出现的漏检、误检、检测框不精准等问题是目前视频目标检测研究的重点。根据如上描述,本文做了以下三点工作。第一点,针对提取图像卷积特征时丢失部分细节信息的问题,本文提出了基于两次特征融合的视频目标检测方法。第一次特征融合是在提取图像卷积特征时,融合其浅层、中层、深层卷积层的特征图对最终表征图像的特征图进行信息增强,保留深度语义信息的同时增添目标的轮廓、纹理等细节信息。第二次特征融合是对当前检测帧图像的特征图融合其前后帧图像的特征图,目的在于对检测帧图像出现遮挡、变形、模糊等问题时进行特征增强,补全缺失信息。第二点,针对视频帧图像中背景过于复杂时对前景目标信息的影响,本文提出了基于注意力机制融合特征的视频目标检测方法。利用注意力机制的选择功能,增强图像特征图中目标特征的显著性,使模型重点关注特征图中用于目标检测的关键信息。同时,利用注意力机制设计特征融合时的人工规则,减少网络计算量的同时提高特征融合的效率和准确率。第三点,针对多类别目标检测过程中相似目标的相互干扰,本文提出了基于多模型特征融合的视频目标检测方法。利用多个子模型分别学习相似目标的特征,再并联这多个子模型的特征处理部分,使用注意力机制对并联特征进行选择和综合用于整体模型对数据集进行二次学习。这种对复杂任务进行分解处理的做法可以降低多类别目标的识别误差,提高检测的精准率和召回率。上述本文的三个工作点,在公开的ImageNet VID数据集上进行验证都取得了比原始方法更好的结果,其检测速度和精度都得到了不同程度的提高。