内窥镜检查是广泛用于早期检测多种癌症(例如鼻咽癌,食道腺癌,胃癌,结肠直肠癌,膀胱癌等)的临床程序,治疗程序和微创手术(例如腹腔镜检查)。然而内窥镜检查视频帧会存在一些伪影造成成像的破坏(例如,像素饱和,运动模糊,散焦模糊,镜面反射,气泡,流体和碎屑)。在临床内窥镜中对伪影的准确检测,可以极大地加快跨所有疾病,器官和方式的有效定量临床内窥镜分析的发展。随着深度卷积神经网络在自然图像应用和发展,越来越多的研究人员将深其应用到医学图像。本文针对内窥镜图像中的伪影难以准确检测的问题,将基于深度学习的目标检测算法应用到伪影图像中的定位和分类中。同时对比了不同的目标检测算法的在内窥镜伪影检测的效果,包括基于锚点框的两阶段目标检测算法以及一阶段目标检测算法。同时基于全卷积神经目标检测算法FCOS做了详尽的实验,针对于FCOS在检测精度以及检测速度上进行了一定程度的改进。通过增加语义分割的弱监督信息,增加模型整体的空间位置信息;针对FCOS模型原始的回归分支的IoU Loss无法精确的反映边界框的重合度程度的缺点,本文改进FCOS回归分支的损失函数为GIoU Loss;同时增加中心采样的方法,从而改善模型边界框的回归质量。通过对FCOS算法一系列改进和提升,使得FCOS算法在检测精度超过基于锚点框的一阶段检测算法和二阶段检测算法。最后针对于FCOS在算法运行过程中需要较多的计算力以及参数量较大的问题,本文对FCOS算法进行了通道裁剪,大幅度较少FCOS的参数量。同时针对通道裁剪后模型会有一定程度性能下降,对模型进行特征蒸馏,使用原始大模型监督通道裁剪后小模型的训练,在不增加模型参数量的同时提高检测精度。这样,通过对FCOS系列改进和提升以及通道裁剪和特征蒸馏,本文改进的FCOS算法在提高算法检测精度的同时,使得模型的复杂度大大下降,使得FCOS算法更加适合应用在在实际场景中。实验结果表明,在EAD2019数据集上,相对于一阶段检测算法RetinaNet,本文改进的FCOS算法在MAP上比RetinaNet高出8.1%,但是算法的参数量只相当于RetinaNet的1/8左右。相对于两阶段检测算法FPN,本文改进的FCOS算法在MAP上比FPN低了0.3%,但是算法的参数量只相当于FPN的1/10左右。同时相对于原始FCOS算法,本文改进的FCOS算法在mAP上比原始的FCOS高了1.9%,但是算法的参数量只相当于原始的FCOS的1/8左右。实验结果表明,本文改进的FCOS算法无论是在检测精度还是模型参数量都具有很大的优势。