本发明公开一种基于场景级与区域建议自注意模块的目标检测方法，结合了多种先进的网络结构和理念，考虑到场景信息与语义信息对于视觉识别的重要性。首先构建深度可分离共享网络、场景级‑区域建议自注意模块与轻量化头部网络的目标检测模型；然后利用训练图像对目标检测模型进行训练，得到训练好的目标检测模型；最后将待测图像送入训练好的目标检测模型中，以获取图像中目标的位置信息与类别信息。本发明不仅仅局限于图像中目标物体的外观特征，而是将场景信息与物体之间的关系信息进行模型化特征提取处理，并根据结构预测出图像中的物体，从而能够大大提高检测的准确性。