目标检测是计算机视觉中的一项重要任务,它的作用在于将图像中的每个目标准确的定位并将它们正确地分类。在现有的目标检测领域中包括两个问题:一是在基于目标检测的特征的融合算法中忽略了各级特征之间的相关性而直接融合;二是在目标检测系统的落地应用中不能检测低光照和黑暗场景下的目标。在特征融合算法中,由于卷积神经网络的高层特征包含更多的语义信息而有助于分类,卷积神经网络的浅层特征包含更多细节信息而有助于定位的准确,因此将高低层特征融合被认为是一种检测多尺度目标的有效手段。但是现有的大部分特征融合工作都没有考虑到各级特征之间的关系而是直接将高低层特征进行融合,直接将它们融合很容易将一些有价值的判别信息转变成噪声进而影响检测器的性能,本文将这个问题称为“通道偏差”。为了解决这个问题,本文将焦点放在了不同阶段特征的不同通道的相关性上,并且提出了一个新的特征融合网络称为“通道相关性特征金字塔网络”。该网络通过相似度量函数捕捉不同阶段特征的不同通道的相关度,进而放大相似度高的通道的作用,抑制相似度较低的通道的作用,该网络通过如下三个步骤去解决特征融合算法中出现的通道偏差问题:首先本文通过全局平均池化获取每一个通道的全局的表示信息,然后再通过相似度量函数对各个通道之间的关系进行建模,放大相似度高的特征通道的作用并且抑制相似度低的特征通道的作用,最后通过残差学习的方式对特征进行增强。本文同样将该网络经过适当修改之后将其应用在实际落地的目标检测应用上以增强网络在低光照下的特征提取能力,进一步地验证了该方法的有效性。本文使用通道相关性特征金字塔网络搭配基本的目标检测算法在目标检测的公开数据集MS COCO和Pascal VOC上做了大量的实验来证明本文所提出的特征融合算法的有效性,并且该特征融合算法可以应用在绝大多数的目标检测器上。使用本文所提出的特征融合算法搭载基本的两阶段目标检测算法Cascade RCNN在MS COCO数据集上达到了单模型检测算法的领先水平。将本文提出的特征融合网络在实际的场景下进行了大量的测试结果和可视化检测结果证明了该目标检测算法模型的实时有效性。