随着计算机技术的快速发展,计算机视觉领域的算法成果在图像识别、目标检测、实时跟踪等方面都取得了显著的效果。其中,多目标检测任务作为计算机视觉任务的基础,结合了数据图像处理、相关模式识别、图像特征提取、深度学习等众多领域的相关理论成果,成为了计算机视觉领域中的重中之重,具有极高的研究价值和挑战性。本文以基于特征融合与注意力机制的多目标检测为研究主题,目的是为计算机视觉领域的相关部门提供参考,为此主要做了如下工作:首先,分析了多目标检测模型的相关背景和研究价值,对文中涉及的相关基础理论做出了分析,重点阐述了图像处理中用到的双线性插值法和相关注意力机制理论。其次,针对传统SSD多目标检测算法缺乏同时捕获局部细节特征和全局语义特征的能力,提出了SSD检测模型相关特征层的融合方法,从而重新生成模型的的目标检测金字塔(object detection pyramid,ODP)。通过实验表明,加入ODP机制的SSD 300算法在PASCAL VOC的测试集上可以达到79.2%的精确度,与传统的SSD 300算法相比精确度提高了2.3%。最后,针对网络模型的输入图像,设计了SSD多目标检测模型的注意力机制模块。该模块基于重新生成的ODP,能够分析到输入图像上不同位置特征的重要程度,注意力机制模块产生的注意区域图突出了输入图像中的关键区域,将分类检测器聚焦在对检测任务较为重要的图像区域上,对输入图像中的非关键区域起到了抑制作用。与单纯建立提议性区域间关联的方法相比,更加接近人类的视觉注意力机制。经实验验证,在加入注意力机制模块后,改进的SSD300多目标检测模型在PASCAL VOC的相关测试集上,检测精度再次提升了1.1%,模型的最终准确率达80.3%。与现有的一些多目标检测模型相比,改进SSD多目标检测模型的性能虽有所提升,但由于特征融合方法、注意力机制模块的使用,模型检测实时性有所下降。针对该问题,希望通过未来进一步的研究,提升改进模型的检测实时性。