目标检测可获取图像中物体的位置信息，对图像内容分析和理解至关重要， 被广泛应用于自动驾驶、智慧交通、无人零售、人机交互等领域。近年来，深度 学习已成为目标检测的主流方法，按照检测流程可分为两阶段法和单阶段法两 类。单阶段法由于流程简单，模型推理速度快，容易保持精度和速度平衡等优点， 在实际部署应用中更受青睐。因此，本文聚焦在单阶段目标检测方法的研究。

然而，由于应用场景各不相同，计算资源、样本数据、模型任务等条件千差 万别，对目标检测模型的计算效率、检测精度、整体功能等方面提出了更高要 求，需要更进一步的研究。本文从目标检测模型结构设计、模型压缩、模型任务 扩展等方面入手，深入分析和研究更加高效与通用的单阶段目标检测方法。

本文的主要研究成果与贡献归纳如下：

1. 基于单层级特征的单阶段目标检测方法。针对现有单阶段目标检测算法 依赖多层级特征，导致模型结构变得复杂、计算量增加、推理速度变慢的问题， 本文提出一种基于单层级特征的单阶段目标检测方法。首先，在单阶段目标检测 中使用单层级特征代替多层级特征，消除了多尺度特征带来的消极影响。其次， 通过引入空洞编码器和均衡匹配方法，提升了基于单层级特征的单阶段目标检 测的精度。该方案简化了单阶段目标检测模型的结构、减少了模型的计算量、提 升了模型的运行速度。在公开数据集的实验结果表明，相比同期其他方法，本方 法达到了更好地速度与精度的平衡。

2. 单阶段目标检测的训练后量化与二值化。针对模型在训练后量化中精度 损失过大的问题，本文首先提出了一种基于比特分割与缝合的训练后量化方法。 该方法采用贪心优化的方式，使得量化模型在低比特量化的设定下，仍然可以保 持原始模型的精度。其次，为了实现对单阶段目标检测模型的进一步压缩，本文 提出了一个基于二值网络的单阶段目标检测方法。该方法引入了一系列训练技 巧，有效地提升了基于二值网络的单阶段目标检测方法的精度。在多个公开数据 集上的实验结果表明，该方法可以有效降低量化误差，相较于基线方法取得了显 著的性能提升。

3. 基于强分类器的鲁棒单阶段目标检测方法。针对单阶段目标检测算法中分类器较弱，导致分类效果较差以及对背景变化不鲁棒的问题，本文提出一种基 于强分类器的鲁棒单阶段目标检测方法。该方法的实现基于本文提出的位置感 知的多支路空洞卷积模块。首先，该模块针对单阶段法平行子网络设计的不足， 在分类器中引入物体位置信息，提升了分类器对预测框扰动的鲁棒性。其次，该 方法通过增大分类器感受野的方式引入更多背景信息，提升了分类器在不同背 景下的鲁棒性。在公开数据集的实验结果表明，该方法有效地提升了检测精度， 获得了同期最好的结果。 4. 基于单阶段目标检测与空间信息流的全景分割。针对现有单阶段目标检 测算法功能单一的问题，本文提出一种基于单阶段目标检测的全景分割方法。该 方法通过引入物体空间位置信息流，使得单阶段目标检测模型可以兼顾目标检 测任务和更复杂的环境理解任务。首先，该方法将全景分割任务分解为四个并 行子任务，并设计了对应的并行子网络。其次，在子网络中利用图像物体位置信 息，连接全景分割中所有子任务，使得它们具有物体位置感知能力。实验结果表 明，该方法对图片场景的理解相比同期其他方法要更为准确，在多个场景数据集 上都取得了同期最好的结果。