近几年来,随着深度学习在计算机视觉领域的不断发展,目标检测技术日益成熟,已广泛应用于医疗、交通、教育和娱乐等领域,给人类生活带来了极大的便利和优势。其中,Logo检测作为目标检测的一个重要分支,其在商品图像检索、侵权检测、智能交通等方面有着重要的研究意义。商品图像检索通过商品信息在庞大的数据库中查找所需商品图像;侵权检测通过检测图像中的Logo标识加强品牌维权与服务保障;智能交通通过交通指标识别,准确检测道路前方的交通标志,从而规范驾驶行为和交通秩序。与普通的目标检测任务相比,现实场景的Logo目标形状易变、小目标数量多、Logo图像背景复杂,这些因素均制约了目标的识别效果。传统的检测技术大多以图像中单一Logo目标为切入点,且检测结果的准确率并不高。深度学习在计算机视觉的广泛应用,给Logo检测研究提供了新思路。基于上述背景,本研究选择现实场景中的Logo目标作为研究对象,以提高目标识别的精度为研究目的,构建基于深度学习的Logo检测方法。以下是本文的主要工作:（1）基于对Logo数据的分析得出检测任务中Logo目标尺寸差异大,且多数为小目标,本文提出以融合自注意力机制来优化Res Net的Logo检测方法（SA-Net）。Res Net作为检测方法的骨干网络,仅通过卷积操作获得的特征有限,对小目标的检测性能较低。为了解决这个难题,本文在骨干网络中引入自注意力机制。自注意力机制加强了对小目标区域的关注,有利于获得更丰富的特征信息。在特征提取阶段使用递归特征金字塔（RFP）网络,递归地增强特征金字塔（FPN）以生成强大的特征表示。此外,引入Quality Focal Loss更好地学习分类和Io U值的联合表示,目的是解决训练和测试阶段之间的不一致问题。同时引入DIo U Loss加快训练方法的收敛速度以获得更精准的回归结果。（2）绝大多数Logo检测方法都建立在单一格式的目标表示上,例如Faster R-CNN中的矩形框、FCOS中的中心点和Corner Net中的角点。由于不同表示的异构和非网格特征提取,通常很难将这些表示组合到一个框架中以充分发挥每个表示的优势。本文基于SA-Net方法,在特征提取阶段之后引入现有的注意力解码器模块,将不同的表示连接到单一表示格式的检测方法中,得到SAAD-Net,以提升模型的检测精度。其中,输入为主要查询表示特征,其它表示充当一组关键实例来加强查询表示。此外,使用中心点池化和角点池化来选择适合分类和检测的中心点和角点。同时,采用共享位置嵌入技术,目的是提升方法在现实场景中下的检测鲁棒性和降低计算复杂度。综上,针对本文提出的Logo检测方法,在Logo Det-3k数据集和公开的数据集（Flickr Logos-32和QMUL-Open Logo）上进行了大量的实验分析。实验结果表明,与当前较为先进的基于深度学习的目标检测方法相比,本文方法有着较为明显的优势。