在过去十年,基于深度卷积神经网络的目标检测器得到飞速发展,如何高效地训练目标检测器一直是业界最为关注的话题。监督训练是目前最为主流的训练方法,尽管其研究已经日趋成熟,但在噪声标签、特征学习、样本采样等方面仍然存在缺陷,这在很大程度上限制了检测器的泛化能力。本文在监督训练的深度目标检测器上,对模型的特征学习进行探索,从特征学习,标签分配,样本采样三个方面展开研究。本文完成的主要工作如下:（1）提出一种缓解目标检测中分类和回归任务特征不对齐的算法。通过对分类和回归任务的分析,本文认为特征不对齐是由于分类特征和回归特征的空间分布不一致造成的,同时特征分布的不一致还造成分类和回归输出响应的不一致,因此在改善特征不对齐时需要同时兼顾特征分布的不一致和输出响应的不一致。针对特征分布不一致问题,提出特征的增强解耦模块替换传统的FPN模块,可以有效地解耦网络中的分类和回归特征;针对输出响应不一致问题,提出一种由损失驱动的软采样策略和Io U对齐的分类损失组成的响应对齐策略,从训练过程中样本的分类和回归优化着手,使网络的分类和回归响应更为一致。通过对这两个问题针对性的解决,本文算法有效地缓解了特征不对齐问题。（2）提出一种无锚框目标检测器训练的损失最小化的标签分配策略。在深度监督算法中,标签分配策略对深度目标检测器在测试集上的性能影响显著。本文从模型的性能度量出发,采用分类和回归任务的联合损失作为标签分配的度量,构建了一种损失最小化标签分配策略,根据网络的训练状态动态调整网络的标签分配。除此之外,为了得到更好的损失分布以提升标签分配策略的效率,提出三元检测网络替代原有的并联检测网络。结果证明,该标签分配策略可以显著地改善模型的检测性能,在不同主干网络上取得了3.2%～3.5%的性能提升。（3）在目前最流行的通用目标检测数据集MSCOCO 2017上验证本文的算法,并将用不同主干网络训练好的本文模型与当前主流的算法进行对比。结果表明,本文算法超过了当前的一些最好的目标检测算法。