随着计算机视觉的不断发展,计算机视觉四大基础任务之一的目标检测成为了热点研究方向之一。目标检测旨在让计算机能够拥有自动的识别图像中目标的类别与位置的能力,其在自动驾驶、人脸检测、智能安防等领域都有着不可或缺的作用。因此大量的研究者都开始着力于提高目标检测的检测性能与检测速度。近年来,利用深度卷积神经网络进行目标检测的方法取得了重大进展。主流的目标检测算法根据检测算法的流程可以分为以速度为优势的一阶段目标检测网络和以检测精度为优势的二阶段目标检测网络。多年以来,一些传统检测算法研究已经证明了上下文信息或目标之间的关系信息有助于对目标进行识别,但在深度学习时代,大多数研究仍然只对图像中的目标独立地识别,而没有考虑到如何利用目标之间的空间关系来辅助提高目标检测性能,其难点主要在于很难对目标与目标之间的关系进行建模。此外,图像中的密集、重度遮挡和小尺度目标使得目标检测变得更具挑战性。本文工作在经过预处理之后的Cityscapes数据集上进实验,针对FasterRcnn目标检测算法难以成功检测出数据集中存在的密集、遮挡、小尺度目标等问题,提出了以下三种解决方法:（1）为了使检测器能更好的检测图像中的不同尺度的目标,让特征提取网络输出特征能够拥有更为丰富的多尺度信息,本文利用多尺度特征融合网络的特性,提出了 IFPN多尺度特征融合网络,用于将浅层特征图所包含的图像空间细粒度信息更好的融合到网络深层特征图上,提高对不同尺度目标的检测效果。（2）为了让特征图能够更加关注于目标的特征,增大感受野来表达全局的图像信息,本文在多尺度特征图上加入了自注意力模型,提出了 MPAM多尺度注意力金字塔模块,用于增强特征图的表征能力。（3）利用了数据集中目标在图像空间分布的特点,以统计的方式总结出了目标损失权重先验,将其应用于目标的分类损失函数上,以避免分类器出现有违人类常识的目标预测结果。基于以上方法,在Cityscapes数据集上进行了详细的实验,证明了多尺度特征融合以及空间特征聚合方法能够有效的提取图像中目标之间的语义特征关系信息,基于统计方法的空间位置先验可以增强网络对目标的空间关系的学习能力。综合以上改进,本文提出的网络SFFRcnn在Cityscapes数据集上取得了比FasterRcnn基线模型在mAP上提高了 6.7个点的指标,提高了网络的检测能力。