随着深度神经网络的不断发展,目标检测算法从基于传统特征工程发展到基于深度神经网络,现有工作在提高模型推理的实时性上已经取得非常大进展。但是目标检测模型在移动设备和边缘设备上的部署方面仍然有较大的改进空间。现有工作已经从主干网络和解码器对模型轻量化提拱了许多有效的改进措施。在已有目标检测的编码器方面的研究上,主要基于多尺度信息融合和分治的思想设计了MIMO（Multiple In Multiple Out）编码器解决了待测目标在图片中大小差异较大的问题,例如,特征金字塔网络（Feature Pyramid Networks,FPN）、路径聚合网络（Path Aggregation Network,PANet）等。然而,MIMO编码器相比SISO编码器具更复杂的网络结构以及更大的参数量和计算量,这使得目标检测网络的推理速度变慢。为了实现融合多尺度信息的同时降低模型的计算复杂度,本论文设计了两种基于轻量SISO（Single In Single Out）编码器的无锚点目标检测网络。本文的研究内容和主要创新点如下:1、提出了对应像素融合方法。对应像素融合方法是一种新型的特征融合方法,该方法将三维特征图沿通道维度进行映射得到二维特征图。之后逐像素比较待融合特征映射后的二维特征大小,保留映射函数值最大的特征,最终得到与任意特征图尺寸相同的融合特征。该方法适用于无锚点目标检测网络的编码器部分,相比求和、堆叠等融合方法可以最大程度过滤无用特征保留有效的特征。2、提出了PDP-SISO（Pyramid Dilated Pixel-fusion SISO）编码器结构,相比现有的SISO编码器在准确率接近的情况下,明显提升了模型的实时性。PDP-SISO编码器通过对比实验提出了含有两次上采样操作的结构,使得编码器的输出特征图相比原图的下采样比率等于8,达到了目标检测网络实时性与无锚点目标检测网络候选区域数量的平衡;使用了PD（Pyramid Dilated）结构从主干网络输出特征图中提取到多尺度信息;使用对应像素融合方法将多尺度信息融合得到编码器的输出特征图。3、本文通过改进dilated编码器结构设计出DR-SISO（Dilated Residual SISO）编码器,使其适用于无锚点目标检测网络。4、提出了DDR-SISO（Depthwise Dilated Residual SISO）编码器结构,相比现有的SISO编码器在实时性表现接近的情况下,明显提升了检测准确率。DDR-SISO编码器进一步改进了DR-SISO编码器,提高了模型的准确率。DDR-SISO编码器使用深度可分离空洞卷积,在不增加模型参数量时得到多尺度信息;引入ECA（Efficient Channel Attention）通道注意力机制进行特征细化;使用残差结构实现多尺度信息融合得到编码器输出特征图。