本公开提供了一种目标对象检测方法、装置、电子设备、存储介质和计算机程序产品，涉及人工智能领域，尤其涉及计算机视觉、图像识别和深度学习技术领域，可用于智慧城市和智能交通场景。具体实现方案为：根据视频流中的当前帧图像、当前帧图像的关联语义信息以及当前帧图像的深度信息，确定当前帧图像的多个多尺度特征图；对多个多尺度特征图进行多尺度融合处理，得到多个多尺度融合特征图；根据多个多尺度融合特征图和当前帧图像的第一全局上下文特征，确定时空融合特征图；以及根据时空融合特征图，检测当前帧图像中的目标对象。