随着深度学习技术的蓬勃发展,人工智能相关应用越来越多的出现在日常生活中。其中的代表性技术,如人脸识别,行人识别,车牌识别等,为人类生活创造了极大的便利。而在这些应用领域,目标检测算法扮演着重要角色。尽管现有的算法在类别较少的任务上达到了很高的精度,但是随着类别数目的增加,其性能会急剧恶化,无法应对自动驾驶、机器人巡检等复杂自然场景下的算法需求。通过对大规模多分类数据集LVIS的深入分析,本文认为数据集的长尾分布是制约多类别目标检测的主要瓶颈。长尾分布是指在训练集内的各个类别的数量极度不均衡而导致稀有类别欠拟合的现象。识别领域通常采用“重加权”和“重采样”解决此类问题。然而在检测任务中,实例与图片互相耦合,稀有类与背景难以区分,为稀有类的检出带来了更大挑战。本文在Faster RCNN的基础上,提出了新的损失函数和采样策略。损失函数方面,通过拆分前景-背景损失抑制了类间竞争,并进一步通过对稀有类的梯度保护和重加权提高训练时梯度占比;采样策略方面,首先通过Top K anchor提升RPN阶段稀有类锚框的样本数量,进而提高了稀有类区域提议的分数,随后通过自适应Io U阈值的RCNN采样提升了稀有类样本数量,配合实例优先的图像级别采样,有效提升了稀有类的精度。本文的实验基于LVIS数据集展开。与Faster RCNN相比,本文提出的方法在整体上有4.9%的mAP提升,对稀有类的mAP的提升更为明显,达到13.3%。在与同领域其他方法的对比中同样处于领先水平。进一步的实验证实,本实验在不同模型结构和训练设置下均取得了较好的效果,展现出良好的实用性和泛化性,为相关技术研究和实际应用提供了良好的范例。