目标检测是智能穿戴式设备等诸多实际应用平台的基础需求任务。然而,穿戴式设备所拍摄的视频图像存在场景瞬时移动,前景和背景剧烈变化的特性(动态场景),导致传统目标检测方法在解决动态场景检测任务时存在误检和漏检的难题。为此本文针对动态场景建立了目标检测数据集,并开展了针对动态场景下的目标检测方法的研究。具体研究内容如下:1.本文研究了动态场景下目标检测数据集的建立方法。本文分析了原有数据的缺陷和不足,更新了各个类别的标注规范,确定了本文数据集的37类目标。在对原有数据集进行清洗和部分重标之后,又对部分类别进行了数据扩充,之后完成本文数据集的建立。本文数据集充分考虑了各类目标的大小形态及其出现场景的多样性,保证检测算法的普适性。2.本文研究了基于区域注意力的目标检测方法。针对多尺度检测特征谱前景区域特征显著性不足的问题,本文提出将前景分类结果特征谱作为区域注意力,并与对应的多目标检测特征谱融合得到新的多目标检测特征谱,用于最后的定位和分类任务,实验结果表明本章算法能有效提升各个尺度样本的检测效果。3.本文研究了基于错分样本再分类的目标检测方法。针对目标检测经常出现的错检问题,本文提出在原有单一分类器后面级联若干个新的分类器,每个新增的分类器使用前面分类器分错的正样本和所有被选中负样本作为训练样本,以此逐渐减少错分样本的数目,在测试阶段使用所有分类器中置信度最高的结果作为最终分类结果输出。实验结果表明本章算法能有效减少误检和漏检。4.本文研究了基于多尺度检测损失的目标检测方法。针对现有损失对低层特征谱的目标在分类任务以及对高层特征谱的目标在定位任务上关注度不够的问题,本文提出了多尺度分类损失和多尺度定位损失用于替换原有检测损失进行训练。两种损失针对来自不同尺度特征谱的目标使用不同的损失系数,目的在于提升低层特征谱的目标的分类损失占比和提升来自高层特征谱的目标的定位损失占比,从而使网络更加偏向于这些目标的训练,提升检测效果。实验结果表明本章算法能有效减少漏检。