视频目标检测是场景理解中的一个热门研究课题。深度学习作为近年来人工智能领域最为火热的技术,在目标检测任务应用广泛。图像目标检测就是对图像中存在的目标进行分类并用目标框将其框住。比起图像目标检测,视频目标检测还需考虑到视频中的帧间关系,以及如何应对模糊、失焦等情况。使用深度学习进行目标检测,首先要使用卷积神经网络对图像进行特征提取,然后使用区域建议网络得到候选区域,最后对候选区域对应的特征进行分类和边框回归,实现对目标检测的目的。目前的一些视频目标检测算法在利用视频序列上下文信息时,都是在空间位置上直接聚合。本文提出一种双向门控结构能够有效利用视频上下文信息,保留有利的特征,过滤不利的信息,从而提高特征聚合的效果。最终通过合理利用上下文信息提高视频目标检测结果。本文的主要工作包括:（1）提出一个基于双向门控结构的多特征聚合模型,对图像的极短时间内的上下文信息进行选择,将选择后的有利特征聚合到当前特征图中。我们使用Image VID和Image DET数据集完成对本文提出的模型的训练,用Image VID的测试集对模型的有效性进行验证。（2）针对视频数据中目标在空间位置存在运动这一现象,对相邻帧的特征图基于光流运动信息在空间位置进行对齐。我们重新训练一个输出与目标检测模型匹配的光流网络,用该网络对相邻帧的特征图进行空间变换对齐,然后再将对齐后的特征图作为双向门控结构的输入。（3）我们构建了一个用于处理视频文件的接口,封装了处理细节,实现对视频文件格式的目标检测,构建一个小型的视频检测系统。我们通过将特征提取网络和多特征聚合预测网络作为两个静态计算图分离,避免了对同一帧图片多次卷积的情况,提升了检测系统运行速度。