现有目标检测器中的特征金字塔,从网络的特定层中提取特征,用于检测目标,无法充分利用不同尺度特征图的特征信息。并且仅使用局部特征进行检测,无法准确识别具有相似外观的不同目标,不适用于低分辨率图像的目标,特别是其中的小目标的检测。针对上述问题,论文引入图像分类任务中的注意力机制,从增强特征金字塔结构的特征表达能力考虑,研究结合特征全局信息、局部信息以及更高效的多尺度特征融合的检测器,主要工作如下:（1）提出一种结合通道注意力和残差学习的目标检测器。首先引入通道全局注意力机制,采用特征重标定策略,通过网络学习特征图中不同通道特征的权重,提高有效通道特征的权重,从而增强有效的全局特征信息;然后,在全局注意力机制后采用轻量级的残差块作为一个通用函数逼近器。通过网络训练残差,突出特征的微小变化,进一步增强特征金字塔的表达能力,提高低分辨率图像中小目标的检测性能;最后,在用于预测的浅层特征图中融合深层的高级复杂特征,提高小目标的检测精度。本文算法能够实时地准确地检测出低分辨率图像的目标,特别是其中小目标的检测有更好的效果。（2）提出一种结合注意力机制和自适应特征融合的目标检测器。首先引入卷积注意力模块,从通道和空间维度,增强有效的全局特征信息,抑制无效的特征信息;然后,在卷积注意力模块后,采用轻量级的残差块作为一个通用函数逼近器。通过网络训练残差,突出特征的微小变化,结合全局特征和局部特征预测,以提高具有相似性的目标的检测准确性;最后,使用一种自适应特征融合方法,通过网络训练不同尺度特征图的权重,充分利用不同尺度特征图的特征信息,提高整体目标检测精度。本文算法在复杂场景下可以准确地区分背景和目标,识别出相似外观的不同目标,对小目标检测效果更佳。（3）本文算法在PASCAL VOC 2007、VOC 2012、MS COCO数据集上进行验证,与当前主流的基于特征金字塔的目标检测方法进行对比,实验结果表明,本文算法提高了在低分辨率图像、小尺寸目标、多尺度目标以及类间相似目标的检测精度,并且结合通道注意力和残差学习的目标检测器,参数量小,实时性高。