近年来,基于神经网络的深度学习技术取得的进步使得在许多视觉任务上,计算机的表现已经超过了人类,计算机视觉也因此逐渐成为了热门研究方向。而作为一种基础任务的目标检测,也自然而然受到了极大的关注。在一幅图像中,存在着不同尺度的目标,大尺度的目标细节清晰,占据的像素多,小尺度的目标细节模糊,占据的像素少。现有的目标检测方法在图像中同时出现多种尺度的目标时,难以做出适当的处理。相比于只存在单一尺度目标的图像,存在多尺度目标的图像更难以被精确检测。本文针对基于神经网络的多尺度目标检测方法进行研究,并提出了相关的改进方法。目标多尺度对目标检测任务造成的限制主要包括两点:1.不同尺度目标分布不均衡影响样本分配;2.难以同时生成适合描述多尺度目标的图像特征;本文针对这两点限制,提出了对应的解决方法。针对样本分配中的问题,本文提出了尺度均衡损失。在多尺度目标检测中,锚点框这一概念被大量使用,它被用于和真实目标进行匹配,作为网络的训练样本。遗憾的是这样的匹配策略将导致不同目标的匹配数量差异,将直接使得小尺度目标检测精度下降。针对此问题,本文提出一种用于缓解锚点框匹配过程不平衡的损失函数:尺度均衡损失。它将从损失函数层面,通过平衡锚点框匹配过程产生的信息量差异,使得模型整体的优化方向朝向更平衡的状态。在多个学术界常用多尺度目标检测数据集上,尺度均衡损失都能显著提升多尺度目标检测精度,尤其针对小目标召回率有大幅度的提升,这对于某些对小目标敏感的任务如视觉辅助自动驾驶是非常有意义的。针对多尺度特征问题,本文提出了一种适合多尺度目标的神经架构搜索算法。对于多尺度目标,为了识别出它们而需要的图像特征是不同的。大尺度的目标需要自身更大的检测感受野,而小尺度目标不但需要自身特征信息,往往也需要结合周围语义信息才能准确识别。当前的目标检测特征提取网络大多都是将为分类任务设计的网络直接迁移,而鲜有针对多尺度目标检测任务做专门设计。仅仅通过特征金字塔处理多尺度特征是不够的。本文提出了一种可微采样神经架构搜索算法,设计了一种适合多尺度目标检测的搜索空间,在此搜索空间上搜索多尺度目标检测特征提取网络,在同FLOPS限制下,该方法超过现有的基于强化学习或遗传进化算法的神经架构搜索任务,在多尺度目标检测任务上实现了精度提升。