针对单阶段多边框目标检测（SSD）模型在以高交并比（IoU）评估平均检测精度（mAP）时出现的精度下降问题，提出一种使用转置卷积操作构建的循环特征聚合模型。该模型以SSD模型为基础，使用ResNet 101作为特征提取网络。首先，利用转置卷积操作扩大网络结构中深层特征图的尺寸，为浅层特征图引入对目标的高层抽象和上下文信息；其次，使用全连接卷积层减少浅层特征图在进行特征聚合时出现偏差的可能性；最后，将浅层特征图与表示了上下文信息的深层特征图拼接，并使用1×1卷积操作恢复通道数。特征聚合过程可以循环进行多次。实验结果表明，使用KITTI数据集，以交并比（IoU）为0.7评估平均检测精度，与原始SSD模型相比，循环特征聚合模型的检测精度提高了5.1个百分点；与已有的精度最高Faster R-CNN相比，检测精度提高了2个百分点。循环特征聚合模型能有效提升平均目标检测精度，生成高质量的边界框。