近年来由于域间差异而导致目标检测算法性能大幅下降的问题得到越来越多研究者的关注。虽然针对特定应用场景构建数据集并重新训练目标检测网络可以避免域间差异带来的问题,但构建数据集带来的数据标注工作是十分耗时耗力的。迁移学习是解决域间差异的有效方法,将从源域数据集中学习到的知识迁移到目标域数据集,使用较低的训练成本提高算法在新场景中性能。在诸多基于迁移学习的目标检测算法中,特征迁移是最为可行的一种方法。现有的基于特征迁移的目标检测算法通常从全局特征对齐和局部特征对齐两个角度来减小域间差异,它们通常存在以下不足:在全局特征对齐过程中,存在特征对齐尺度单一和对齐前景目标特征的同时强制对齐背景噪声的问题;在局部特征对齐过程中,存在训练前期目标特征区域定位精度较低和未考虑分类信息而将所有类别目标视为整体进行特征对齐的问题。为了提高特征迁移的效果,本文的研究内容和贡献如下:1.在全局特征对齐方面,提出基于多尺度特征融合的全局特征对齐算法（MGFA）。该方法融合多尺度特征,解决特征对齐尺度单一问题的同时进行背景抑制,将特征对齐网络的注意力集中在前景目标特征上,减少背景噪声的干扰。2.在局部特征对齐方面,提出两阶段局部特征对齐算法（TSLA）。该方法在训练前期,以先寻找特征区域中心点再利用标准候选框定位特征区域的方式替代RPN模块利用候选框定位目标特征区域的方式来提高定位精度,减少背景噪声的干扰;在训练后期,将前景目标特征按分类进行特征对齐,减少两域样本中同类目标间存在的特征差异。3.将本文提出的改进算法部署至Jetson Xavier NX开发板并用于军事目标检测场景,利用迁移学习的思想解决军事目标图像样本不易收集的难题,并根据需要设计了算法自动化测试软件。本文提出算法在CityScape、Foggy CityScape、Sim10k和KITTI公开数据集上与DA、MAF算法进行对照试验。结果表明,在背景环境不同的特征迁移情景下,本文提出的MGFA算法在m AP评价指标上高出DA算法7.7%,高出MAF算法1.3%,TSLA算法分别高出DA和MAF算法6.8%和0.4%。