针对Faster R-CNN算法存在特征提取不充分、检测框定位不准确导致检测精度不高的问题，提出一种多尺度特征融合和锚框自适应相结合的目标检测算法。首先，通过双向融合方法充分提取相邻层级间的深层特征和浅层特征；然后，均衡化处理多尺度特征，使集成的特征能获得来自不同分辨率下等量的语义信息和细节信息，提高目标的识别能力；最后，在区域提议网络（RPN）中利用目标的特征信息，通过自适应预测锚框的位置和形状来生成锚框。基于VOC数据集对算法的实验结果表明：与基于ResNet50的Faster R-CNN算法相比，所提算法中的多尺度特征融合策略加强了算法对不同尺度目标的检测能力，自适应锚框机制能够提高定位精度并避免小目标的漏检，算法整体的检测结果具有较好表现，平均检测精度提升了3.20个百分点。

近年来近红外激光吸收光谱检测技术得以飞速发展，其中对吸收线的光谱解析是光谱检测的重要研究内容之一.文章建立了气体激光吸收光谱测量实验平台，重点研究了混叠吸收线光谱检测算法，以6528.8 cm-1附近氨气吸收线为例，开展了特征光谱解析实验与算法研究.结果表明，结合小波降噪方法后，信号均方根误差降低4.45倍，利用多线Voigt线型拟合算法实现混叠吸收线特征光谱解析，线型拟合残差优于±2%.实验获得了氨气在室温不同压力下的特征吸收光谱，并计算得到各条吸收线的线强参数结果.测量线强与Hitran数据库的相对偏差在5.67~8.2%之间，线强计算的不确定度约为4.6%.有效的混叠吸收线光谱解析算法可实现气体线强参数的准确测量，有益于提高氨气浓度反演的准确性.