目标定位与检测作为一个长期存在的基础性难题,是新一代计算机视觉领域重点研究内容。目标定位与检测的研究目的是从给定图像中快速、准确地判断出是否存在给定类别的目标实例,并对图像中存在的目标实例返回其覆盖范围的位置信息。当仅有图像级标签作为监督信息时,现有基于弱监督学习的目标定位模型在优化图像分类时往往只激活目标部分而忽略完整的目标区域,将激活部分扩展到完整范围又会降低模型分类的能力。本文以“如何在保证图像分类性能良好的基础上,提高模型定位目标完整区域的性能”为核心问题,提出了基于前景激活和背景抑制联合训练的目标定位新方法。将定位思路沿用到目标检测任务,从实际问题出发,解决实际场景中交通标志目标检测面临的挑战,对目标定位与检测在生活中的实际应用做深入研究。本文的主要内容如下:（1）本文设计了 一种激活目标前景与抑制激活背景联合训练的弱监督目标定位方法,使网络模型有效区别了前景目标与背景环境之间的差异。该方法将目标按所属种类等级高低,利用特征图中不同语义信息,扩展特征激活,逐级对目标进行发散性激活,最终得到前景激活图预测。利用前景引导,设计一个背景激活抑制模块,与前景激活预测联合学习,得到最终的目标定位结果。实验证明,在CUB-200-2011和ImageNet数据集上,该网络模型可以有效地定位出目标完整区域,提高了目标定位的精准率。（2）针对目标检测具体任务——交通标志目标检测,本文对现有的基于两阶段交通标志目标检测基准网络进行优化改进。对于实际场景图中的检测任务,待检测的交通标志在图像中的尺寸大小随机,导致模型定位小尺寸交通标志的效果不理想。将定位任务中学习区分前景背景的思路拓展延伸到目标检测任务,引入多尺度目标定位与检测的思想,提出了图像分割的方法,“放大”尺寸小的交通标志,优化网络模型定位到交通标志区域附近,为检测分支提供有力支撑。同时,利用DIoU损失函数指导锚框向真实框拟合回归,从而提高目标检测精度。在实际场景交通标志数据集上进行实验论证,结果表明,改进后的模型在实际场景应用中的检测精度有较大的提升。