目标检测,即在视频序列或者图片中定位出目标的所在位置同时决定其所属类别,是计算机视觉领域的一个研究热点,在智能视频监控、无人驾驶技术、计算机辅助诊断技术、人脸识别及人流监测等方面都有着重要的应用。然而由于实际场景中目标物体的形变、遮挡、观察角度和环境变化等众多因素的影响,目标检测仍是一项非常具有挑战的任务。而如何设计能够准确识别目标物体又不受各种外界多样性因素影响的特征也成为了该领域的研究重点。本文提出一种基于超特征金字塔与对抗学习的目标检测算法,即Adversar-Hyper Feature Pyramid Networks(A-Hyper FPN)。首先在特征提取阶段,本文提出超特征金字塔的概念,通过多次融合高低卷积层的信息,以便充分提取来自不同卷积层、不同大小的目标特征;此外提出了改进的区域候选网络,该网络采用合理的策略在低层预测小目标,在高层预测大目标,使得整个区域候选网络更佳完善;同时根据目标检测容易受到遮挡的影响,本文利用对抗学习的思想,提出了Mask网络,其通过增加遮挡网络主动生成数据,这些数据是目标检测器学习的难点示例,不是直接在整个像素空间中生成数据,而是专注于生成的有限空间;此外本文也提出微调网络,该网络使用RoI Pooling与RoI Align的联合使用,通过soft-NMS进行边框的筛选。最终本算法在Resnet-101网络架构下,在Pascal VOC 2007测试集上的平均检测精度为81.1034%,在DETRAC测试数据集的平均检测精度为73.52%,达到了当前先进的检测水平。