深度学习近年来发展迅速,计算机视觉领域被广泛应用到了实际生产中的各个领域。深度学习领域中最重要的基础模型之一就是CNN（卷积神经网络）,大多数目标检测算法的骨干网络（backbone）都是基于CNN模型搭建而成。CNN模型具有强大的语义特征提取能力,满足了目标检测、语义分割、风格迁移等研究领域图像特征提取的需求。但是CNN模型忽略了像素间的空间关系,没有充分探索图像行像素和列像素上的空间关系。而这种空间关系对于学习具有强形状先验、弱外观一致性的语义目标来说是非常重要的。SCNN模型在CNN模型基础上,对信息传递方式进行了革新,使得其具备了探索像素之间空间关系的能力,但SCNN模型在其他场景应用中表现不佳,本文对重新对SCNN模型进行了改进。本文通过分析SCNN模型在输电线数据集上表现不佳的原因,基于空间连续性的考虑,针对SCNN模型的不足重新设计并提出了CL-SCNN模型（Cross Layer Spatial CNN）。该算法在SCNN模型上引入跨层传递机制,使CL-SCNN模型在处理不同场景,不同信息密度的数据集时,信息的传递方式得到优化,提高了模型泛化性能。通过一系列对比实验,验证了CL-SCNN模型对于不同场景下强结构先验性、弱外观一致性的语义目标有更好的检测表现。本文提出的CL-SCNN算法能够很好的适用于绝大多数场景下的输电线检测任务。相比于经典的目标检测算法和车道线检测模型SCNN,CL-SCNN在检测车道线、输电线、电线杆这类具有强形状先验和弱外观连贯性的语义目标时,在准确率的表现上有明显的提升。在车道线数据集CU＿Lane上也能有较好的检测准确率,说明模型泛化能力得到加强。