基于卷积神经网络的目标检测是计算机视觉任务中至关重要的技术之一,在人脸识别、自动驾驶、医疗图像诊断等领域中拥有极高的实用价值。但是,目标检测在发展过程中遇到了诸多瓶颈,例如:目前主流的目标检测模型都是基于锚点制作标签特征图并设置了特征金字塔模块,但锚点的设置严重影响了检测模型的通用性,特征金字塔模块会导致模型大量的冗余运算;同时,这些主流目标检测模型无法对目标之间的关联特征进行有效提取与应用,且无法处理待检目标尺度相差过大导致的模型训练不稳定的问题。针对上述问题,本文的主要研究内容为:第一,针对锚点易于对检测模型的通用性造成负面影响以及模型的冗余运算会影响训练效率的问题,提出了基于单路径卷积神经网络的无锚点目标检测模型。首先,提出像素级别的标签特征图制作方法,模型可以在无锚点的情况下检测目标,从而规避与锚点相关的超参设置,具有更强的通用性;然后,使用沙漏骨干网络取代特征金字塔模块,避免了制作标签特征图时冗余和复杂的计算,使模型可以通过单路径的方式进行图像特征提取,整体模型结构得到精简;最后,利用更高分辨率的特征图进行训练,使模型得以在无锚点的情况下同时保持较高的目标检测准确度。第二,针对图像中待检目标之间的关联特征难以被目标检测模型提取与待检目标的尺度分辨率相差过大的问题,提出了基于关联特征提取卷积神经网络的多尺度选择性目标检测模型。首先,构造目标关联特征提取模块,显式地将其添加进模型中参与预训练,使模型获得目标关联特征的提取能力;然后,在预训练结束后,移除模型的关联特征提取模块,通过输入图像的缩放与训练目标的筛选使所有目标均在一个相近的最佳分辨率参与模型的常规训练,有效地解决了数据集之间数据分布变化的问题,以及因为尺度变化而导致的模型权重更新效率低、表征能力不稳定的问题;最后,在预测阶段进行多尺度选择性预测,保证了整个训练与预测过程中的输入目标均接近于模型的最优性能尺度。COCO数据集上的实验结果验证了所提目标检测模型的有效性。该论文有图36幅,表9个,参考文献72篇。