1.一种基于特征增强与多层级融合的YOLOv3目标检测方法，其特征在于：分别在骨干结构和特征融合部分对原有YOLOv3网络结构进行优化，包括以下步骤：S1，骨干结构部分引入残差网络形成双分支骨干网络结构；

S2，双分支骨干网络结构的分支上引入空间可分离卷积形成基于特征增强的双分支骨干网络结构；

S3，建立多层级特征融合结构；

S4，在骨干结构改进基础上对特征融合部分进行改进，在特征融合部分特征金字塔结构中引入多层级特征融合结构并加入空洞卷积模块形成基于多层级特征融合的特征金字塔结构；

S5，进行训练测试，并进行可视化分析。

2.根据权利要求1所述的一种基于特征增强与多层级融合的YOLOv3目标检测方法，其特征在于：在S1、S2中，针对YOLOv3网络骨干结构特征提取不充分导致精度不高和鲁棒性较差的问题，在YOLOv3的骨干网络基础上构建基于特征增强的双分支骨干网络结构，其约束条件包括：

1）引入残差网络形成双分支网络结构保留原有特征信息，丰富骨干网络对于图像特征信息提取的全面性，增强了骨干网络对于图像特征的提取能力；

2）针对双分支骨干网络分支结构中鲁棒性较差的问题，对分支网络再次改进，将空间可分离卷积模块加入分支网络结构中，利用不同尺寸的空间可分离卷积模块对分支结构中的两层特征层进行不同程度的特征细化，保证了分支特征细节信息的全面，并在空间可分离卷积模块后端加入BN层与LeakyReLU层有效缓解了网络因参数量巨大而产生过拟合的现象，提高网络的鲁棒性。

3.根据权利要求1所述的一种基于特征增强与多层级融合的YOLOv3目标检测方法，其特征在于：针对图像位置信息定位能力不强，多尺度融合不充分，对小目标的检测效果不佳的问题，在修改骨干网络的基础上对网络的特征融合部分进行结构改进，提出了基于多层级特征融合的特征金字塔结构的算法，其约束条件包括：A）提出多层级特征融合结构，利用深层有效特征层进行特征提取获取浅层特征信息，进行不同层级间的特征叠加，丰富了原有特征层上的位置信息，通过卷积进行特征整合与通道压缩进而与有效特征层特征进行特征融合，细化了图像特征，在特征层深度相同的情况下基于多层级特征融合结构特征层信息密度更大，所包含的位置信息更多，使得多层级特征融合结构的多尺度融合更为充分，增强图像位置信息定位能力；

B）针对原特征金字塔结构语义信息与位置信息交互不平衡问题，在特征金字塔引入多层级特征融合结构，并加入空洞卷积模块，提出基于多层级特征融合的特征金字塔结构，能够增大整体网络的感受野，保证浅层信息与深层信息交互的平衡性，提高了对小目标的检测效果。