中文摘要: 基于深度学习的特征金字塔网络（Feature Pyramid Networks，FPN）仅采用一次上采样与相邻层特征融合的方法，存在浅层网络与深层网络特征关联性不强，多层网络特征融合不充分的问题，影响多尺度目标检测精度。对此，本文将主干网络中提取的特征进行由深到浅的叠加融合，并对特征金字塔中得到的特征进行补充叠加融合。此外，为进一步提高检测器对目标特征的识别能力，本文对每次叠加融合后得到的特征通过non-local网络进行特征增强。以PASCAL VOC为数据集的目标检测实验结果表明，本文目标检测模型对数据集中所有类别目标的平均检测精度（mean Average Precision，mAP）为80.6%，对行人类别的检测精度（Average Precision，AP）为81.3%，较FPN网络分别提高了2.4%和2.8%，有效提高了多尺度目标检测精度。