目标检测技术在计算机视觉扮演着根本性的作用,是许多高级视觉任务的基础,同时在许多场景中得到大规模的应用,像智慧城市、智慧医疗、智慧农业等。虽然随着近些年深度学习的发展,目标检测的性能得到显著的改善,但是现有方法依然面临着目标尺度及场景多样复杂性的挑战。本论文针对现有目标检测算法的不足,分别从网络结构及损失函数两方面提出具有现实意义及原创性的算法。一方面,现有的目标检测算法一直面临着对小尺度且模糊的目标检测困难的问题。本文提出了一种反卷积及卷积级联结构对特征进行增强,来提升目标的检测的鲁棒性。反卷积及卷积级联结构先通过反卷积对特征进行上采样操作来放大目标的细节,再进行卷积操作来完成对目标细节特征的保留,之后采取双螺旋连接来进一步更好地对特征融合,提高特征的丰富性。另一方面,目标检测的矩形目标框不能更加完美地表示复杂的目标的位置。现有的旋转目标检测采用了带有角度的矩形框来定位具有不同角度的目标。现有的旋转目标检测算法通常使用的距离损失函数与基于交并比的评估方法存在一些鸿沟。为了消除以上鸿沟,本文从单个像素的角度提出了一种高效的且简单的像素交并比损失函数,直接优化旋转目标框的交并比。最后为了验证我们算法的有效性,我们在不同的主流数据集上进行了大量的实验。实验结果表明,我们的算法能够明显地提升目标检测的效果,尤其对小尺度、模糊的目标。同时,我们提出的像素交并比损失函数,能够大幅度地改善目标定位的精确度,尤其对具有极端的长宽比的目标。