现有依赖CNN的目标检测算法常采用特征融合的建模方式来丰富特征表达，虽然该方法一定程度上能有效改善多尺度目标检测，但是在针对复杂场景进行检测时却没有显著的提升。这主要受限于三个问题的影响：长路径特征融合造成的特征间相关性损失；仅设计了单方向的融合连接，忽略了反方向的语义信息弥补；忽略了有效感受野（effective receptive field，ERF）在多尺度检测中的重要性。针对这三点分别设计了二次融合结构（double fusion structure，DFS）、多分支融合模块（multi branch fusion module，MBFM）和感受野增强模块（receptive field enhance module，RFEM）。该方法利用DFS缩短特征层级间的相对路径，然后通过MBFM来同时弥补上层和下层的语义信息缺失，并使用RFEM建模特征通道，增大ERF区域。最终模型在PASCAL VOC 2007测试数据集上达到了85.4%的平均精度均值（mean average precision，mAP），与依赖传统建模方式的检测算法相比，提出的方法提高了2.6%。