目标检测技术是计算机视觉领域中一项重要的研究内容,主要用于从给定的图像或视频帧中定位目标对象的位置并给出各目标对象的类别,在交通运输、国防安全、工业生产等领域中有着广泛应用。随着深度学习技术的兴起,基于卷积神经网络的目标检测技术获得了长足发展,成为目标检测领域的主流方法。卷积神经网络有着强大的特征抽象能力,在各项图像识别任务中取得了巨大突破。然而,卷积神经网络提取的卷积特征具有很强的平移不变性,在保证分类模型鲁棒性的同时无法满足检测任务中定位模型的平移敏感性需求,导致目标检测模型的性能无法进一步提升。另外,目标检测模型训练过程中需要大量带标签的训练数据,且在实际应用过程中要求测试数据与训练数据满足同一分布,导致在一个场景下训练好的模型通常无法直接应用于另一个不同的场景,不仅造成了数据资源的浪费,也降低了模型的普适性。针对上述问题,本文的研究旨在增强目标检测模型的定位识别能力、提高目标检测模型的域自适应能力,具体研究内容包括:1)针对当前目标检测模型的强平移不变性问题,本文在RFCN模型及类激活图的启发下提出了基于注意力机制的两阶段目标检测算法。注意力模块主要应用于两阶段目标检测模型的ROI特征提取过程中,以子区域注意力特征图和宽高比注意力特征图的形式编码目标对象的平移可变性特征并对原始的池化特征进行加权激活,从而增强模型的平移敏感性,提升模型的检测精度。同时,注意力特征图的使用使得特征降维成为可能,能够有效提升模型的检测速度。2)在将源域训练的模型迁移应用于目标域检测任务的过程中,为了提升模型的域适应学习能力,本文在DA Faster RCNN模型的基础上,提出使用部分对齐操作和一致性约束操作,强化域间知识迁移,减少域间偏移。具体的,部分对齐操作通过增强模型对域间强相似性特征的学习、减少对域间弱相似性特征的学习,使得模型能够提取鲁棒的域不变性特征;一致性约束操作通过使图像级别域分类器和目标级别域分类器保持同步对齐,优化模型的对齐效果。通过在多个数据集上进行对比实验,实验结果表明文中所提出的算法均能取得较好的检测结果,有效提升了目标检测模型的定位识别性能及其域自适应能力。