在复杂的自然场景中,　目标识别存在背景干扰、周围物体遮挡和光照变化等问题,　同时识别的目标大多拥有多种不同的尺寸和类型.　针对上述目标识别存在的问题,　本文提出了一种基于改进YOLOv3的非限制自然场景中中等或较大尺寸的目标识别方法(简称CDSP-YOLO).　该方法采用CLAHE图像增强预处理方法来消除自然场景中光照变化对目标识别效果的影响,　并使用随机空间采样池化(S3Pool)作为特征提取网络的下采样方法来保留特征图的空间信息解决复杂环境中的背景干扰问题,　而且对多尺度识别进行改进来解决YOLOv3对于中等或较大尺寸目标识别效果不佳的问题.　实验结果表明:　本文提出的方法在移动通信铁塔测试集上的准确率达97%,　召回率达80%.　与YOLOv3相比,　该方法在非限制自然场景中的目标识别应用上具有更好的性能和推广应用前景.