由于卷积神经网络（CNN）缺乏处理大规模变化的内在机制，我们在进行多尺度目标检测时总是需要多次计算特征图，这在实际应用中存在计算成本的瓶颈。为了解决这一问题，我们设计了一种递归尺度近似（RSA）方法，仅需计算一次特征图，并通过该图来近似其他层次的特征图。RSA的核心是递归展开机制：给定某一特定尺度下的初始图，它生成一个比输入小一半尺度的预测图。为了进一步提高效率和准确性，我们采取了以下措施：(a) 设计了一个尺度预测网络，用于全局预测图像中的潜在尺度，因为无需在金字塔的所有层次上计算特征图；(b) 提出了一种地标回溯网络（LRN），用于追踪回归地标的实际位置并为每个地标生成置信度分数；LRN可以有效缓解RSA中累积误差导致的误检问题。整个系统可以在统一的CNN框架下进行端到端训练。实验结果表明，我们提出的算法在人脸检测基准测试中优于现有最先进方法，并且在通用提议生成方面也取得了可比的结果。RSA的源代码可在github.com/sciencefans/RSA-for-object-detection获取。