目标检测是计算机视觉领域的共性基础问题,在公共安全、智能制造、智能交通等诸多领域,具有重要的理论意义和应用价值。然而,实际应用场景通常包含目标种类数目繁多、尺度变化大、背景噪声干扰以及模态数据差异等复杂分布特性,导致目标检测面临目标漏检、类别混淆、定位困难等关键问题。研究有效的目标检测模型成为计算机视觉领域和多媒体应用的迫切需求。因此,本文围绕上述问题开展视觉目标检测关键技术研究,以构建高效的目标检测模型为总体目标,从目标特征提取、检测网络结构和网络学习优化三方面进行了研究。同时,对不同场景下的图像与自然语言结合的多模态目标检测问题进行了探讨。具体研究内容和主要创新点可概括为以下几个方面:（1）针对目标区域内背景噪声干扰而导致的语义类别混淆问题,开展了基于多级上下文特征的目标检测研究。该方法首先提出了分割动态编解码网络,为每个目标提供精细的像素级分割信息。然后收集了局部对象区域、非局部对象区域以及周围环境等多种距离范围的上下文信息,并建立不同信息之间的语义依赖关系。最后利用这些多级上下文信息,有效地挖掘分割中辅助特征,抑制目标区域内的噪声干扰,从而提升多类别对象的目标检测性能。（2）针对目标大小、宽高比差异大所带来的目标漏检与误检难题,开展了基于多尺度门融合特征的目标检测研究。该方法首先构建了门融合模块,通过计算相邻尺度通道的语义重要性,自适应控制不同尺度特征的信息流,从而为每个目标对象分配适宜的尺度特征。同时,基于当前对象的宽高比,灵活地选择与其相关的形状区域特征,从而避免固定区域池化导致的目标特征扭曲问题。该方法能够有效地提升关于不同大小和宽高比对象的目标检测性能。（3）针对视觉目标检测难以适应目标外观变化的问题,开展了基于十字线对象表示的目标检测网络结构设计研究。该方法首先设计了一组灵活且可学习的十字线对象表示,用于有效感知目标水平和竖直方向的特征变化。然后,构建了轴查询的十字线生长模块,沿轴方向查询与当前十字线语义相关的周围邻域像素。同时,结合边界框标注的直接监督,灵活判断十字线的生长方向,以应对视觉场景中目标的外观变化。最后,提出了语义引导的标签分配与解耦回归优化机制,通过选择语义丰富度较高的十字线优化目标,进一步提升了目标检测网络的灵活性与准确性。（4）针对目标边界框位置回归优化困难的问题,开展了基于偏移区间概率的目标检测网络优化准则研究。该方法通过分析现有边界框回归优化问题,巧妙将连续的位置偏移值量化为多个离散偏移区间。然后采用了距离感知的偏移区间分类器,以预测当前样本位置偏移相应的单标签或距离标签分布。此外,提出了期望估计的偏移生成方法,将离散的偏移区间转换为精确的位置偏移值。同时设计了分层聚焦的偏移生成方法,通过逐步细化离散的偏移区间范围,从而提升目标检测输出边界框的定位质量。（5）针对多模态目标检测任务中难以精准关联对象外观细节的问题,开展了基于渐进式可变形对象关联的多模态目标检测方法研究。该方法首先提出了语言感知的可变形对象模型,通过自适应在图像中采样与当前语言相关的对象关键点,以准确映射文本描述的对象细节信息。然后建立了语言与视觉特征之间的双向交互,进一步增强跨模态特征间的语义关联。最后,从局部单词到全局句子,逐级将语言中包含的对象以及对象关系映射到图像中,准确地在图像中定位出语言所描述的目标区域。（6）针对复杂密集场景下跨模态映射的实际需求,首次探索了多模态密集场景的目标检测方向研究。该方法首先构建了更具挑战性的密集场景多模态目标检测数据集（Ref Crowd）,其中包含丰富多样的密集场景图像和属性细节信息的文本描述。为应对这一挑战,同时提出了细粒度的多模态属性对比学习模型的解决方案,通过建立属性感知的多模态分解模块,将复杂笼统的图像与语言特征分解为显式的多模态属性特征。最后,设计了细粒度属性对比模块,以有效地区分相似人群间的细微差异,从而实现密集场景中语言与视觉间的细粒度映射,进一步推动目标检测领域的研究发展。