待检测医学图像爆炸式增长,仅依靠人工识别的方式越来越难以快速、准确的检测图像中是否存在肿瘤。因此,医学图像处理技术迅速发展。在医学图像处理中,利用计算机快速准确地实现医学图像检测定位,能够帮助专家对病情更精确的掌控。其中,目标检测技术是一大重要组成部分。目标检测技术是对目标进行识别、检测目标行为的过程,每当符合检测要求的目标（如肿瘤）出现在图像中时,将其界定一个区域并预测其从属类别,从而快速准确的实现对目标的定位。待检测图像经目标检测后最终变为检测图像。与自然图像不同,医学检测图像中大多肿瘤检测目标边缘往往模糊与不规则,像素占有量较少,这类目标就是小目标。对于小目标而言,仅仅依靠常规方法对其进行准确定位十分困难,往往会产生漏检、误检的问题。虽然基于深度神经网络的目标检测方法已经广泛应用于医学图像上,但大多检测任务都是以特定的场景为背景,缺乏一定的普适性;此外,大多算法对于小目标往往不友好。如何在通用的基础上,更准确地识别小目标仍是一个亟待解决的问题。本文将稠密块结构应用于目标检测任务,结合聚合理论,对医学图像目标检测方法进行深入研究,提出了下列两种改进模型:（1）构建了一个结合高/低维稠密特征的目标检测模型。模型结合医学图像序列中的软组织结构及肿瘤特点,提出将稠密结构应用于肿瘤检测任务,并建立特征三维映射。采用相似块标记技术改进网络参数,重用图像特征并三维化图像序列,将肿瘤三维序列进行硬阈值三维变换建立特征连接,加强了网络鲁棒性,减少不可逆初始特征丢失现象。采用特征融合方法进行特征重构,融合通道特征、空间特征,充分挖掘图像像素级的特征关联度,充分利用细节特征避免狭小特征丢失,增强特征表达能力。文中设计了多种网络结构与参数组合,并通过实验证明了构建的网络结构在准确率、均交并比和平均精度等性能指标上均取得了更好的效果。（2）构建了一个基于多尺度的稠密特征目标检测模型。为了精准有效地区分医学图像中不同尺度目标,以求完成对特征的正确识别,模型受小样本检测与多尺度特征检测启发,设计了基于多尺度特征的目标检测模型。区别于传统多尺度特征提取方式,该模型设计了稠密特征级联交换域,结合稠密特征与多尺度特征对医学图像进行检测。另外,为了获得较好的精度,稠密结构中加入Swish来提高精度,深化抽象特征信息,加速网络循环,减少计算资源消耗。为了平衡性能和计算效率,文中验证了模型在多种网络结构和参数下的有效性。与现有方法相比,该模型在均交并比和平均精度等性能指标上取得了更好的效果。