图像目标检测是视觉分析和理解的重要基石,旨在识别图像中所有目标类别并用外接矩形定位。随着大数据、人工智能、计算机视觉技术迅速发展,基于深度学习的目标检测算法取得了突破性成果,使目标检测技术广泛应用于智能医疗、安防监控、智慧交通、自动驾驶等各个领域。虽然深度学习算法在复杂场景中的效果远超传统算法,但是其网络模型存在的一些问题依然限制了检测精度和效率,例如:深度多尺度特征表达能力不强、不同类别样本数量不平衡、预测框质量低、训练过程任务级失衡、非极大值抑制过程性能低、大模型推理速度慢且能耗高等。虽然最新的研究工作对它们进行了一些改善,但是仍有一系列缺陷亟需改进。因此,针对其中待解决的四个问题,深入分析研究了基于深度神经网络的多尺度目标检测算法,主要研究内容与成果如下:针对深度多尺度特征表达能力不强的问题,提出了一种基于通道信息增强的特征金字塔网络。通过总结与分析,认为该问题是由特征金字塔网络存在的三种缺陷导致的,现有方法常以经验和直觉对其中一个问题进行模型设计。为了更有针对性地改善问题,设计了亚像素跳跃融合模块来减轻通道信息衰减、亚像素上下文增强模块来缓解特征融合的稀释、通道注意力引导模块来改善融合过程的混叠效应。所设计的网络模型新颖地借鉴了超分辨率任务中的亚像素卷积,并引入了上下文信息和注意力机制。实验结果表明,所提出的方法增强了多尺度特征,较好地改善了特征金字塔网络存在的结构问题,在精度和速度方面均优于同类方法。多尺度检测器中各个尺度之间存在的训练失衡问题未引起关注。多尺度训练可以看作为多任务学习,实验发现各尺度损失值频繁波动,并且取值范围皆不相同,这会导致某些尺度未被充分训练,影响模型整体精度。为了解决该问题,提出了一种动态多尺度目标检测损失优化算法。具体而言,受到不确定性任务加权的启发,设计了一种自适应方差加权方法统计各尺度损失值方差来动态调整其权重,比基于反向传播训练的权重更具可解释性;然后设计了一种强化学习优化算法进一步研究训练失衡并优化方案。实验结果说明了一阶段检测器的高级别尺度未得到充分训练,所提出的算法改善了多尺度检测器训练不平衡,提升了模型整体精度约1%AP。在上述两个研究工作的基础上,提出了一种基于强化学习的多尺度检测器训练策略,以改善多尺度特征级与任务级失衡问题。多尺度检测器中的每个尺度不能被同等并独立对待,因此设计了一种动态特征融合算法,在训练阶段放大重要特征尺度的影响以改善特征失衡,而未引入额外的模型参数。同时设计了一种补偿尺度训练算法加强对训练不足的尺度的监督。整体算法借鉴马尔科夫决策过程,以多尺度损失值设计状态和奖励,共同优化两个失衡问题。实验证明所提出的算法在不增加计算负担的同时提升了模型整体精度,达到了48.1%AP。针对深度学习检测模型能耗高的问题,提出了一种基于脉冲神经网络的多尺度目标检测模型。脉冲神经网络模拟大脑神经以离散二值信号进行信息传输,在神经形态芯片上能以极低功耗运行。在现有的脉冲神经网络研究基础上,所提出的模型引入了多尺度框架,优化了脉冲模型转换方案,并根据生物神经学现象设计了相应的编码方法以加速信息传递。实验验证了图像分类任务中的一些脉冲模型转换方法不适用于目标检测问题,证明了所设计的模型检测优于现有方法,且运行能耗以数千倍低于依赖显卡运行的常见检测模型。所提出的基于深度神经网络的多尺度目标检测算法较好地改善了现有方法存在的一些问题,从精度与效率两方面提升了检测器的性能,可应用在小目标检测、大目标检测、低功耗检测等具体的任务场景中。