基于深度学习的检测网络已经被广泛用于各种计算机视觉领域的任务中,对网络中的特征进行增强可进一步提升其性能与应用表现。近年来,检测网络的特征增强方法成为了当前研究热点,并已经涌现了大量方法。但是由于检测网络架构的多变性和应用领域的多样性,当前的方法通常关注于增强某种特定检测网络架构上的特征,而通用且易用的检测网络特征增强方法尚待进一步探索与研究。本文针对检测网络中普遍存在的空间特征与语义特征的矛盾问题,提出基于特征聚合的多种特征增强方法,以实现检测网络中跨层级的语义特征及空间特征的传输,进一步强化检测网络中的特征表达能力,最终提升网络的总体检测性能。本文的主要工作和贡献如下:(1)提出一种检测网络通用的非线性聚合特征增强方法。针对检测网络中用于预测的高级别的特征层,其所含特征语义性强,但对精准的预测结果起着至关重要作用的空间特征弱的问题,提出一种非线性聚合的特征增强方法。该方法通过迭代地聚合相邻阶段的特征层,有效地平衡了语义性与空间性特征的矛盾,增强了网络中特征层的表达能力。该方法的有效性在目标检测与语义分割的任务上同时得到了验证。(2)提出一种检测网络通用的多阶段堆叠特征增强方法。针对检测网络解码过程中易受复杂背景的干扰,从而产生较多假阳预测的问题,提出一种多阶段堆叠特征增强方法。该种方法先通过特征聚合的方法存储全局特征,之后在解码过程中进行特征的再分配,极大地避免了复杂背景特征对解码器的干扰。该方法的有效性在目标检测与语义分割的任务上同时得到了验证。(3)提出一种网络级特征增强的语义分割架构。检测网络中引入特征增强方法会带来额外的参数与计算量,因此提出一种网络级特征增强的语义分割架构。该架构通过聚合编码器各个阶段的特征层实现了一步到位的解码,减少网络参数的同时提升了网络的可训练性。训练样本数量减少到原始训练集的1/4时,分割精度依然比完整样本集上训练的基准网络的分割精度高出1.4%。