目标检测逐渐成为视觉研究社区的关键领域, 而其挑战之一是检测器难以准确地定位不同尺度的物体. 面向图像中的目标检测应用, 提出了高分辨率-无锚点框(HOAR)检测策略来应对物体尺度多变的挑战. HOAR 将待测图像输入多条通路(对应不同尺度)并行的高分辨率网络, 并提取每条通路上的输出特征图作为图像在每种尺度下的深度特征表示; 然后利用密集特征金字塔(DenseFPN)对这些特征图进行信息融合, 得到重新组合的多尺度特征图; 最后采用无锚点框表示的检测子网络判断这些特征图上每个点对应的物体类别和矩形框位置. 为验证所提HOAR 策略的有效性, 在COCO 数据集上进行了对比实验. 消融分析的结果表明了HOAR 策略各个模块的必要性; 其在验证集上的检测指标mAP 达到了40.5, 显著超过了基线模型和部分代表性算法的mAP. 此外, HOAR 策略所需的参数数量也显著小于对应的基线模型.