人工智能是当下的热门主题,实现对图像智能化的理解与分析是其中一个重要领域。图像智能包括图像分类,图像分割,目标检测等。目标检测是进行场景内容理解等高级视觉任务的前提,广泛应用于无人驾驶、人脸检测、智能视频监控以及增强现实等任务中。近年来,随着大规模图像数据集的出现以及计算机计算能力的不断提高,深度学习技术在计算机视觉领域取得了巨大的成功,并且已经在目标检测领域广泛应用。但由于图像背景复杂,目标尺寸过小等因素使得最终的检测精度不够理想。基于以上原因,本文主要针对提高物体检测精度,进行多层特征与新候选框生成机制的方法研究。卷积神经网络在特征提取时往往采用最深层的特征信息,越深层的特征越抽象,语义特征越丰富,但会缺失一些物体的边缘特性,不利于物体的定位。因此,本文通过对卷积神经网络的各层特征进行研究分析,提出对相邻残差块的最后卷积特征层进行两两结合,对这些新生成的特征进行候选框的提取,丰富的特征表达提高了候选框的质量,同时采用了浅层卷积特征,更利于小物体的检测。除此之外,本文提出级联RPN的方式,将生成的候选框再次输入到RPN网络中,对候选框的位置进行精修,进一步提升候选框的质量。同时,在目标候选框生成的过程中,会产生大量负样本,造成样本比例不均衡,本文采取非极大值抑制方法限制正负样本比例,不仅加快了收敛速度,最后的检测精度也有所提高。为了进一步增强检测物体的分类效果,考虑到每个候选框与整个图像之间有所关联,本文使用全局上下文语境方法,将整个图像的卷积特征与候选框的特征图进行结合,最后的分类效果有较明显提升。本文主要在PASCAL VOC公开数据集上进行实验,并分别对提出的改进方法进行测试,通过实验结果,可以验证本文的改进方法都可以有效地提高最终的检测精度。