目标检测是对目标物体进行定位和分类的研究,是计算机视觉中一个非常热门的研究方向,也是图像处理中一个重要的研究领域。随着大数据时代的到来,整个工业界和学业界都利用深度学习进行目标检测。虽然基于深度学习的目标检测精度远超过传统的目标检测方法,但是距离人类的要求还有很大的差距,尤其是在检测速度上有些算法甚至低于传统的目标检测算法,所以很多深度学习中的目标检测很难达到实时性检测。为了能够加快模型的检测速度,本文主要通过SSD(Single Shot MultiBox Detector)与轻量级网络Mobilenet进行结合得出SSD_Mobilenet模型,这个模型相比与SSD检测速度大大的提高了,但是检测精度还是有待提高。为了提高SSD_Mobilenet的检测精度,做出以下研究:针对SSD_Mobilenet中存在的定位信息不足,容易出现大量误检框,和对遮挡的物体检测精度不高的问题,设计出了一种多尺度语义信息融合的模型,能够有效的降低卷积后对信息的丢失,有效的提高了目标检测的精度。在测试集VOC 2007中SSD_Mobilenet与改进后的SSD_Mobilenet相比mAP高了1.4%。为了提高单目标物体检测精度,本文提出对训练数据集中的数据进行研究,分析其目标真实框的形状大小以及所占整个图像的比例,根据数据分析来设计一组合理的锚点高宽比,以及每个锚点的锚点框个数的思想。实验结果表明我们的方法提高了单目标物体的检测精度,并且能够更加准确对目标进行定位。