目标检测是当今计算机视觉领域较为热门和流行的研究方向,在安防监控、自动驾驶、无人机跟踪和医疗影像等方面有着重要的研究意义。近年来,随着计算机软硬件技术的发展和深度学习产生,基于深度学习的目标检测算法被不断提出,从而逐渐取代了基于手工特征的传统目标检测算法。YOLO算法是一种先进的实时物体检测方法,与其它实时物体检测方法相比,YOLO算法检测速度快,实时检测效果好,但同时也存在相应的缺点,即检测精度不高和对小目标检测效果不佳。所以本文针对这些问题,对其算法进行改进和优化,主要工作如下:（1）针对YOLOv3算法检测精度不高的问题,提出融合GIo Uloss和Focalloss的目标检测算法。主要是对损失函数的重新设计,YOLOv3模型的损失函数是三部分组成,本文主要是对边界框损失函数和置信度损失函数进行重新设计。首先,Io U函数无法反映当预测框和真实框无交集情况的问题,而相对GIo U函数来说,GIo U函数具有Io U函数的特性,能解决Io U函数无法处理的问题;其次,针对出现正负样本不平衡的问题,提出将焦点损失作为置信度损失;最后,通过新的损失函数,在PASCAL VOC数据集和MS COCO数据集上验证其可行性。实验结果表明,改进后的损失函数能够提升检测精度。（2）针对YOLOv3算法对小目标检测漏检率要高于大目标的问题,提出基于特征金字塔和注意力机制的目标检测算法,主要是对YOLOv3模型中特征融合的改进,即通过对特征金字塔的改进和引入注意力机制。首先,采用上采样和下采样,融合各个尺度的特征图,把融合后的特征图通过Concat操作拼接;其次,引入注意力机制模块;最后,把改进后的模型在数据集上验证其可行性。实验结果表明,改进后的YOLOv3模型对小目标的检测效果更好。