本文提出一种称为级联区域建议网络（Cascade Region Proposal Network, Cascade RPN）的架构，旨在通过系统性地解决传统区域建议网络（RPN）存在的局限性，从而提升区域建议质量与目标检测性能。传统RPN存在三个关键问题：基于启发式方法定义锚框（anchors）、将特征与锚框进行对齐，而这些设定往往难以适应复杂场景。为克服上述问题，本文提出以下两方面改进：首先，与传统方法中在每个位置使用多个预定义尺度和长宽比的锚框不同，Cascade RPN在每个位置仅使用单一锚框，并通过多阶段迭代优化逐步提升建议质量。在初始阶段，采用无锚框度量（anchor-free metric）进行正样本筛选，后续阶段则逐步引入基于锚框的度量方式，使每一阶段对正样本的判定标准更加严格，从而实现更高质量的区域建议。其次，为确保在多阶段过程中特征与锚框之间保持良好的对齐关系，本文提出一种自适应卷积（adaptive convolution）机制。该机制将锚框信息与图像特征共同作为输入，通过锚框引导网络学习更具判别性的特征表示，实现特征与锚框之间的动态对齐。实验结果表明，一个简单的两阶段Cascade RPN实现，在平均召回率（AR）上比传统RPN提升13.4个百分点，显著超越了所有现有区域建议方法。当集成至Fast R-CNN和Faster R-CNN检测框架时，Cascade RPN分别将检测平均精度（mAP）提升3.1和3.5个百分点。相关代码已公开，地址为：https://github.com/thangvubk/Cascade-RPN.git。