目标检测是计算机视觉领域的一个研究热点,它实现图像中目标的定位与分类。目标检测在生活中的应用比较广泛,生活中的目标具有多尺度性,不同尺度目标给目标检测带来了一定的难度。目前绝大多数的目标检测算法都使用深度神经网络,但由于网络较深,对小目标的检测分类不利。因此,本文为了解决多尺度目标检测问题,提高小尺度目标检测精度,同时减少计算量,主要做了以下工作:(1)首先介绍目标检测的研究背景及意义,简述深度神经网络的组成,以及基于候选框的目标识检测过程。指出目前多尺度目标检测是生活中的常见检测问题,而多尺度目标检测存在一定的难点,常用的深度神经网络最后一层特征不能很好的表示出小目标的位置,忽略了小目标问题。本文针对多尺度目标检测的部分难点提出了可行的解决办法。(2)根据深度神经网络的特征图在不同层有不同程度的语义表示,浅层卷积层特征图与深层卷积层特征图对不同尺度的目标特征表示有所差异,本文提出精简的特征金字塔区域建议网络(Concise Feature Pyramid Region Proposal Netwotk,CFPRPN)进行多尺度目标检测算法。它将图像金字塔和特征金字塔进行单模型结合,对不同尺度的目标在合适的卷积层进行分类和检测。在得到分类预测框后,进行基于IOU损失的校正定位,最后得到更加精准的目标定位。实验结果表明,本文方法对于多尺度目标检测是有效的,特别是对小目标的检测,有了很大的提高。(3)为了进一步提高多尺度目标的检测精度,本文将对前文的图像金字塔和特征金字塔进行多个模型融合,提出了基于模型融合的CFPRPN算法,将小尺度目标模型与CFPRPN模型进行融合,进行多尺度目标的识检测。进一步提高了小尺度目标的检测率,得到有效的多尺度目标检测结果,提高了多尺度目标检测精度。