目的　视频目标检测旨在序列图像中定位运动目标,并为各个目标分配指定的类别标签.视频目标检测存在目标模糊和多目标遮挡等问题,现有的大部分视频目标检测方法是在静态图像目标检测的基础上,通过考虑时空一致性来提高运动目标检测的准确率,但由于运动目标存在遮挡、模糊等现象,目前视频目标检测的鲁棒性不高.为此,本文提出了一种单阶段多框检测(single　shot　multibox　detector,SSD)与时空特征融合的视频目标检测模型.方法　在单阶段目标检测的SSD模型框架下,利用光流网络估计当前帧与近邻帧之间的光流场,结合多个近邻帧的特征对当前帧的特征进行运动补偿,并利用特征金字塔网络提取多尺度特征用于检测不同尺寸的目标,最后通过高低层特征融合增强低层特征的语义信息.结果　实验结果表明,本文模型在ImageNet　VID(Imagelvet　for　video　object　detetion)数据集上的mAP(mean　average　precision)为72.0％,相对于TCN(temporal　convolutional　networks)模型、TPN+LSTM(tubelet　proposal　network　and　long　short　term　memory　network)模型和SSD+孪生网络模型,分别提高了24.5％、3.6％和2.5％,在不同结构网络模型上的分离实验进一步验证了本文模型的有效性.结论　本文模型利用视频特有的时间相关性和空间相关性,通过时空特征融合提高了视频目标检测的准确率,较好地解决了视频目标检测中目标漏检和误检的问题.