近年来，基于深度学习的目标检测算法在自动驾驶、人机交互等众多域上有着成功的应用，且因其检测性能较高引起学者的广泛关注。传统的深度学习方法一般基于源域与目标域服从同一分布的假设，但该假设不具备现实性，严重地降低了模型的泛化性能。如何对齐源域与目标域的分布，提高目标检测模型的泛化性成为近两年的研究热点。对跨域目标检测算法进行了综述，首先介绍了跨域目标检测的预备知识：深度域适应和目标检测，将跨域目标检测分解为两个子问题进行了概述，从底层逻辑理解其发展进程；其次给出了跨域目标检测算法的最新进展，从差异、对抗、重构、混合和其他等几个分类角度切入，梳理了每个类别的研究脉络并对比了在不同数据集上的性能；最后，通过对目前跨域目标检测算法的梳理和总结，就其未来的研究方向进行展望。