目标检测是计算机视觉领域最具挑战性的研究课题之一,旨在对图像中的物体进行分类和定位。在深度学习快速发展的推动下,目标检测近年来取得了巨大的进步,如今在视频监控、自动驾驶、遥感检测等领域已得到广泛应用。因此,对目标检测做更深入的研究具有非常重要的学术价值和应用价值。先进的目标检测器结构为卷积神经网络,首先提取图像的语义信息和几何信息,生成特征图,然后在特征图上判断物体的类别以及置信度,并且给出物体的边框坐标。现阶段先进的目标检测算法已实现了实时检测,并且在通用物体检测上具有较高的检测精度,但是对于小物体检测、复杂背景物体检测、伪装物体检测、超大物体检测等检测场景,检测精度还有很大的提升空间。针对此情况,本文选择以YOLOv5目标检测算法为基础,对其进行研究,并提出了三种改进方案。首先将原来3个尺度的特征检测改为5个尺度,并且添加了新的特征融合结构,改进后的结构提取到的特征信息不仅更加丰富全面,而且检测器能够利用到更加细粒度的特征。其次在卷积神经网络的不同位置引入了注意力机制,并且将通道注意力机制中的压缩激励模块改为高效通道注意力模块,使得在特征提取的过程中网络能够在通道域和空间域增强有效特征,削弱无用特征。然后对图像处理中的高斯滤波做了研究分析,在目标检测中融入高斯滤波,对原始图像和路径聚合网络中特征融合时的浅层特征图分别做了不同程度的平滑处理。本文从理论上分析了改进方案的可行性,选择目标检测公共数据集MS COCO和伪装目标检测数据集COD10K进行实验验证。实验表明,本文改进的多尺度特征检测与特征融合结构扩大了检测范围,在保证查准率的前提下查全率有了明显提升;引入注意力机制后,对伪装物体和小物体的分类以及定位更加准确,对于MS COCO数据集中的大物体检测,精确率和召回率都有了明显提升,分别为6.3%和5.4%;对原始图像和部分浅层特征图做微小平滑后,有利于超大物体检测,在MS COCO数据集上测试,精确率和召回率分别提升了2.1%和2.7%。因此,通过实验测试,证明了本文在YOLOv5目标检测算法基础上提出的改进方案切实可行,达到了检测性能更优的效果。