图像目标检测的目标是确定图像中每个对象实例的空间位置和范围。目标检测作为图像理解和计算机视觉的基石,是解决复杂或高层次视觉任务的基础,被应用到很多的实际的业务场景。目前,现有的一步法目标检测算法存在多尺度特征融合不充分、视觉目标特征未对齐和对不同尺度特征未设置独立的预测输出等三个问题。因此,本文的主要研究目的是分析一步法目标检测算法的这些问题的成因,并对每个问题提出针对性的改进方案,最终提高模型的检测精度。首先,针对当前目标检测模型的多尺度特征融合不充分的问题,提出了一种新的特征融合结构NFS。NFS在特征金字塔网络FPN和PANet的特征融合结构的基础上,添加短路连接和3D卷积融合结构,使得各个尺度的深度特征的语义信息和空间信息更加丰富,进一步提高了多尺度特征融合的效果,能够在MS COCO数据集上提升1.7m AP。然后,针对一步法检测模型缺乏目标特征对齐过程的问题,提出了基于改进的非局部自注意力机制的模块BWNL。BWNL在当前的非局部自注意力网络NLN对全局特征信息的聚集作用的基础上,进一步引入第二次特征汇集过程。BWNL应用到一步法检测器的特征对齐过程,使得特征图获取了对应视觉目标更加准确的特征表达,实验表明BWNL能够显著改善一步法检测模型的特征对齐问题,在MS COCO数据集上提升0.8m AP。最后,针对一步法检测模型中head处理不同尺度特征没有采用独立的预测输出head模块的问题,提出了使用神经网络结构搜索算法为多尺度特征搜索各自独立的head的设置。实验表明,经过搜索得到的新head的设计能够显著提高特征提取能力,能够应对特征图尺度变化下的目标特征分布的变化,在MS COCO数据集上提升1.4m AP。