目标检测在计算机视觉领域中占据十分重要的地位,是其他视觉任务的基础,具有广阔的应用前景。随着科技的进步,目标检测技术也从研究走向应用,越来越多目标检测任务从实验室迁移到现实生活场景中,比如人脸识别门禁系统、自动化垃圾分拣系统等。但实际场景非常复杂,检测效果往往达不到研究精度,常常会出现错检漏检的情况。本文的研究课题是复杂场景下目标检测的关键技术,以目标特征不清晰、多尺度多目标问题为基础,重点研究了基于双路注意力机制的目标特征增强技术、聚焦多尺度特征的目标检测模型以及目标检测系统的设计与实现,主要内容如下:（1）研究基于双路注意力机制的目标特征增强技术。结合通道与空间,提出了聚焦目标本身特征的双路注意力机制,通过获取长上下文依赖和多尺度特征增强目标特征。通道方面,对输入图像进行多尺度卷积,将多尺度特征图分别通过双池化注意力机制,并构建通道间非线性关系,获得全局性的通道权重。空间方面,利用双池化获取某一像素位置包含的信息,并通过卷积操作构建各像素位置间交互关系。最后,设计不同的注意力结合方式。与一些经典的注意力机制比较,本文提出的双路注意力机制能有效提升目标检测精度。（2）研究聚焦多尺度特征的一阶段目标检测模型。基于YOLOv5提出了对多尺度目标特别是小目标检测的改进算法。YOLOv5能处理不同尺度的特征,但对于一些极小目标,还是会出现错检漏检的情况,此外,相较于一些二阶段检测算法,YOLOv5的检测精度还不够高。针对这些问题,本文提出增加对更小目标检测的检测头;增加低层到高层的跳连接,减少卷积过程中的信息丢失,同时,对不同输入层设置权重参数,调节高低层信息贡献程度。一阶段检测模型精度通常都低于二阶段检测模型,很重要的一个原因是一阶段模型没有处理样本不均衡问题。本文提出在构建损失函数时,应当对难易样本添加权值,动态调整难易样本对损失函数的贡献。最后,使用深度可分离卷积降低改进后模型的参数量。与一些经典的目标检测模型比较,改进的YOLOv5模型能有效提升对多尺度目标的检测精度。（3）对复杂场景目标检测系统进行原型设计与实现,将本文提出的两个算法部署到该系统上。