针对残差网络存在特征冗余、有效感受野不足等问题，提出了特征融合模块。该模块可以在模型通道扩增过程中，实现不同尺度特征融合，从而构建出信息更丰富的多尺度特征，提高通道利用率。并且该模块还包含了少量大核卷积，其有助于扩大模型的有效感受野，实现性能和计算效率的平衡。同时还提出了轻量化的下采样和混排压缩模块，可充分降低模型的参数，使整个方法更高效。将特征融合、下采样以及混排压缩模块引入残差网络可以构建出特征融合网络(FFNet:Feature Fusion Network)。其具有更快的收敛速度、更大的有效感受野，以及更好的性能表现。经在CIFAR(Canadian Institute for Advanced Research)、 ImageNet以及COCO(Microsoft Common Objects in Context)数据集的大量实验结果证明了其能在仅增加少量参数和FLOPs(Floating Point Operations)的前提下，在分类、目标检测以及实例分割任务上使其性能显著提升。