图像目标检测技术是计算机视觉领域研究的基本问题之一,主要任务是在图像中对特定的目标物体进行定位和类别识别。现代目标检测技术大多基于深度学习方法,借助神经网络结构强大的图像特征学习能力,实现目标区域的类别预测和边框位置回归。然而该类方法仅利用视觉特征信息,而且独立地处理每个目标物体,缺乏对具体场景信息和目标之间内在关系的分析,因此整体检测精度受限,也难以适应复杂场景中多目标、多类别物体的准确识别需求。本文主要研究了在深度神经网络结构中,如何建立有效的图像场景上下文分析模型,以提高目标检测模型的识别性能。针对图像中上下文信息,本文主要的研究方法和工作内容如下:（1）提出了一种基于多尺度特征上下文的目标检测方法。真实场景图像中的视觉目标往往与周边相邻近的视觉目标之间存在着一定的视觉相关性,本文采用了多尺度特征融合的方法获取图像中的特征上下文信息。为了保留多尺度特征在尺度空间中的连续性,并对特征融合过程中的噪声信息进行约束,本文提出了改进的多尺度特征融合方法,利用特征上下文提高网络的精度。（2）提出了一种基于空间上下文的目标检测方法。真实场景图像中的很多相关目标会以特定的空间相对位置形式出现,例如“人”与“自行车”通常呈现为上下邻近的位置关系。为了有效分析和利用空间位置的上下文信息,本文提出了一种目标空间相关性的量化分析方法,基于深度神经网络结构的空间关系推断方法,对目标的空间相关性进行量化学习和表示,以提高目标检测网络的识别精度。（3）联合利用两类上下文信息,提出了一种基于多尺度特征上下文和空间上下文的图像目标检测模型。由于多尺度特征上下文和空间上下文的信息来源相互独立,我们设计了一个完整的网络结构,应用两类上下文特征信息进行联合预测。该模型基于通用的两段式目标检测结构,通过多尺度特征上下文和空间上下文方法。实验结果表明,通过有效利用特征上下文和空间上下文信息,提高了检测模型的整体精度,特别是对复杂场景中的目标检测有更好的表现。