本文提出了一种基于动态循环网络的目标检测器,该方法简化了深度神经网络中重复性模块。不同于普通神经网络中的序列化前向传播机制,本毕设提出的动态循环网络循环使用网络模块,并且用较少的模块数量达到了更好的效果。此外,本毕设提出在每个循环模块上添加门单元来动态决定循环次数,该方法有效减少了时间开销。因为循环网络是难以训练的,本毕设提出循环可变批次归一化来稳定易变化的梯度。更进一步,根据门单元的输出,本毕设改进了循环可变批次归一化的统计值偏差。本毕设还研究了卷积层神经网络的多尺度感受视野对不同尺度物体的影响,基于此研究,本文提出的语义纹理特征融合方法使用层级式结构融合了环境和纹理信息。更多的信息和丰富的感受视野给检测器带来了明显的收益,却只增加了很少的时间开销。为了增加小目标样本在训练集中的比例,本毕设对训练集中不同的尺寸样本使用了可控锚点采样进行数据增强,增加了小目标检测的性能。实验结果表明,在ImageNet,COCO和Wider Face权威数据集上,本毕设提出的检测器相比于对照模型,有效地减少了网络的参数量和计算量并提升了检测精度。最后,通过可视化对图片的特征与循环次数的关系进行了讨论。