目标检测任务是计算机视觉领域的基础任务,长期以来传统图像特征方法一直主导着目标检测算法的研究。但随着近年来人工智能理论的快速发展,以卷积神经网络为基础的深度学习方法在多个领域的研究中大放异彩,使之成为当前人工智能最热门的研究方向之一。基于深度学习的目标检测算法在发展过程中出现了两个不同的方向,分别是双阶段方法和单阶段方法。凭借简洁的设计原理,基于单阶段多尺度的目标检测成为近年来研究的主流方向。基于单阶段多尺度的目标检测方法通常使用特征提取网络中的不同层次特征图来进行多尺度目标的覆盖检测,但不同层次特征图中往往存在着影响检测的混淆特征。如何将混淆特征进行有效的分离,成为提升多尺度目标检测算法效果的关键。本文在现有研究的基础上,提出了一种基于多尺度特征选择与融合的目标检测方法。针对多尺度检测算法的设计缺陷,本文首先设计了一个尺度感知的特征选择模块来分离出不相关的特征,并结合特征金字塔网络形成了特征选择网络结构,以此降低特征图中不同尺度目标的局部特征对当前尺度特征的干扰。另外,本文提出了一种浅层特征融合方法,将浅层特征逐级融合到较深层级特征中,解决了特征图的特征不够丰富问题。最终本文结合特征选择架构和浅层特征融合架构,形成了多尺度特征选择与融合的网络模型。实验证明,本文方法相对于近年来同类型的方法在模型精度上具有一定的优越性。本文为了进一步优化模型,对提出的浅层特征融合模块进行改进,设计了一种基于动态多尺度感受野的特征降采样方法。现有特征图降采样方法一般采用固定的模式,缺少灵活性且容易造成特征信息的丢失。本文首先提出使用深度可分离卷积作为特征图的降采样方案,然后设计了多分支降采样结构。在多分支结构中,设置了不同的卷积膨胀率以增加特征感受野。为了增强特征融合的灵活性,本文训练了一个权重提取分支,将根据特征图提取到的权重值作用于特征融合过程中。本文通过消融实验证明了该方法的有效性,可以较为明显地提升检测精度。