La inconsistencia entre la clasificación y la regresión es un problema común en el campo de la detección de objetos. Tal inconsistencia puede llevar a objetos no detectados, falsas detecciones y superposición de cajas de regresión en los resultados de detección. Se ha determinado que la inconsistencia es causada principalmente por el acoplamiento de características y la falta de información sobre las interacciones entre las cabezas de detección. En este estudio, se utilizaron las características de invarianza espacial, y la capacidad de ajustar la distribución de datos se mejoró mediante capas completamente conectadas. Se propuso un módulo de fusión de características (FFM) para mejorar las capacidades de extracción de características del modelo. Este estudio también consideró más a fondo la inconsistencia entre las funciones de pérdida y la función de pérdida de regresión propuesta ( ) basada en el error absoluto medio () con el fin de mejorar la calidad de ubicación. Además, para resolver el problema de la falta de información sobre las interacciones entre las cabezas de detección, se añadió una función de pérdida de inconsistencia () sobre la base del módulo de fusión de características. Luego, para evaluar la efectividad de los métodos propuestos, la red de fusión de características propuesta (FMRNet) se entrenó basada en RetinaNet. Los resultados experimentales demostraron que los métodos propuestos en este estudio superaron la precisión de algunos detectores existentes cuando se adoptó FMRNet. Se confirmó que los métodos propuestos tenían la capacidad de resolver los problemas de objetos no detectados, falsas detecciones y superposición de cajas de regresión.