随着深度学习方法的发展与大量数据集的出现,人们在目标检测任务上取得了巨大的成功。然而,实验图像数据与实际应用场景图像数据在物体外表、背景环境、光照条件及图像质量等方面存在的差异,导致在实验训练数据(源域)得到的模型在实际应用的图像检测效果大幅下降,该现象被称为域漂移。解决域漂移最直接的方法是获得目标域的标签数据,然而标签的制作极为耗费人力与时间成本。而在没有目标域标签的情况下解决域漂移,称为域适应。目前针对域适应的主要研究方向有基于实例、基于映射、基于网络和基于对抗思想四种方向,然而这些方法普遍仅针对分类任务,对于目标检测任务的域适应方法,由于其在预测物体位置上有更高的要求,不能直接把分类任务的域适应方法应用到检测任务中,因其容易产生域适应效果不好以及网络的物体定位能力不足等问题。本文针对目标检测域适应的任务,提出了一个基于定位优化的无监督域适应目标检测框架。首先,本文针对单分支卷积神经网络在不同域上的表现不足的情况,提出了二分支卷积神经网络的结构,分别负责处理源域与目标域的数据,并引入了残差模块以进一步提升网络的域适应能力。其次,本文针对当前域适应检测框架的定位能力不足的情况,提出了伪标签的策略,使用网络预测结果制作伪标签边界框并筛选,同时通过定位优化损失函数使伪标签中的监督信息能够指导网络的学习,提升目标检测框架的物体定位能力。最后,本文在三个目标检测数据集上对本文提出方法的有效性进行验证。实验结果证明本文提出的方法的表现效果明显优于其他相关的域适应检测方法,并达到了目前最佳的水平,并且能够更加精准地对物体的位置进行定位。除此之外实验还验证了本文提出的两个创新性模块对网络效果的提升分别有良好的贡献。