目标检测是计算机视觉领域重要的研究方向和研究热点,现已广泛应用于无人驾驶、机器人、视频监控、行人检测、海面舰船检测等领域,其任务是从复杂场景中将目标物体进行分类和坐标定位。当前的主流算法是基于深度学习的目标检测算法,但大都存在对小目标检测效果差的问题。针对这个问题,现有的改进算法大都使用特征融合的方式,达到增强算法对小目标的检测效果,但这种方式增加了很多网络参数,导致检测速度变得很慢。为此,本文提出了一种基于级联结构改进的多感受野分支网络目标检测算法,提高了整体的检测效果,尤其提高了小目标检测效果,同时拥有较高的检测速度,主要工作及贡献如下:(1)本文提出多感受野分支网络。从感受野角度出发,引入空洞卷积,提升了整体检测精度。该网络在训练阶段提出改进的分类损失函数Enhanced Focal Loss代替原始交叉熵损失函数,使网络训练更明显的偏向于难分类样本,提升了训练效果。(2)本文基于级联结构设计强化检测模块与原网络级联。针对小目标检测设计加入STFCN(小目标特征组合网络)的小目标强化检测模块,使得算法对小目标检测效果有所提高。针对大目标检测设计融入AF(预选框筛选)的大目标检测模块,提升了大目标的检测效果。本文在PASCAL VOC 2007数据集上,将本文的改进算法同当前目标检测几个主流算法进行对比,表明了本文算法的有效性。