随着深度学习技术的发展,目标检测技术的检测精度和速度不断被刷新。目前目标检测技术已被应用于生活的各个场景中,如:智能监控、智慧交通和无人驾驶等。然而目标的时空尺度变化仍然是检测中的难点,因此本文从多尺度特征的角度对这些问题展开了研究,利用空间多尺度特征研究了小目标难以检测的问题,在此基础上又研究了检测算法轻量化的问题,最后利用时间多尺度特征对视频目标检测中帧间信息的有效利用进行了研究。本文的具体研究工作如下:（1）针对小目标难以检测的问题,提出了基于局部感兴趣区域超分的空间多尺度特征融合算法。该算法提出基于浅层特征图的小目标预测分支以更好地获取小目标的位置信息;设计了特征连接模块对浅层特征图的特征信息进行增强;为了实现更准确的特征映射同时进一步的丰富小目标的特征信息,设计了基于感兴趣区域超分的多尺度特征融合模块。实验证明该算法对于检测模型的整体精度有提升,尤其对小目标的精度提升有明显效果。（2）为了检测算法的轻量化,提出了基于通道降维和注意力机制的检测算法。设计了通道降维模块对检测的特征图通道数进行压缩;为了避免通道压缩造成的精度损失,设计了注意力模块引导生成更关注前景区域的特征;同时算法还针对第二阶段检测网络的全连接层等结构做了进一步优化。实验证明本算法在检测速度和精度上均有一定的提升效果。同时将算法应用于（1）中网络结构,在检测速度上取得了一定的提升效果。（3）为了更好地利用视频目标检测中的时序特征,提出了基于时间多尺度特征融合的视频目标检测算法。利用光流引导的方式生成非关键帧特征。为了增强非关键帧的特征表示,利用动态规划的思想,设计了非稠密连接的特征融合方式,使用不同时间尺度的特征信息来丰富非关键帧特征。实验证明了本算法在检测精度上取得了一定的提升效果,在目标运动模糊、运动遮挡等场景下都有较好的检测表现。