近年来互联网等技术迅猛发展,计算机视觉的研究也越来越火热。目标检测是计算机视觉的研究重点也是一个难点。在日常生活场景中,图片成像时会受到外界环境的变化以及各种干扰因素的影响,使图像中物体的形态受到极大影响,导致物体间形成差异。由于图像成像时受到如成像角度、成像的天气与光线、物体的背景和成像拍摄距离等干扰因素的影响,即使一些物体属于同一类别也可能出现检测错误,甚至一些物体无法被检测出。因此,本文为进一步优化目标检测任务,主要做了以下工作:(1)首先介绍目标检测的研究背景及意义,简述深度神经网络的组成,以及基于候选框和基于回归的目标检测过程。指出在目标检测场景中,存在许多干扰因素影响目标检测,针对此类问题和现象,选择添加上下文信息作为目标检测的辅助信息。(2)考虑到提取单层或者是最后一层卷积层对应的上下文可能导致信息量匮乏,提出基于多层上下文的卷积神经网络(MLC-CNN)的目标检测算法,提取多层上下文信息特征并结合物体特征进行目标检测。介绍了实验数据集的结构和特点,与没有添加上下文信息特征的经典算法Faster R-CNN和一些添加上下文信息特征的目标检测算法进行实验对比,对实验结果详细地分析,验证MLC-CNN算法对于目标检测的有效性。(3)通过对一些研究上下文信息的目标检测算法的实验结果进行分析,发现无差别的加入上下文信息,可能没有达到最好的效果。提出基于差异度选择上下文的卷积神经网络(SCD-CNN)目标检测模型,该模型通过添加差异度模块,衡量是否添加上下文信息特征来辅助目标检测任务。提取目标候选区域特征和多模块上下文信息特征,计算二者之间的差异度并与阈值比较,自适应选择是否融合上下文信息。通过对实验结果详细地分析,验证算法对于目标检测的有效性。