目标检测技术在人脸识别,医疗诊断,军事部署,视觉导航,智能驾驶等安防领域有着极大的实用价值。现实场景下,由于小目标形态多变,易遮挡,边缘信息不显著等众多因素的影响,使得小目标检测仍是一个具有挑战的任务。SSD目标检测算法采取多尺度单发射极检测方式,特征层之间相互独立,在小目标检测时,检测性能欠佳。本课题对SSD检测器进行充分调研,针对SSD算法于小目标检测精度低的难点,从以下两个方面对SSD算法进行改进。（1）针对SSD模型各特征层之间相互独立、各特征层之间缺乏特征信息互补（浅层特征层缺少深层特征层的语义特征信息,使得浅层特征层对小目标存在严重误分类率）,以及对小目标检测精度低的问题,提出一种小目标特征增强的SSD^FE方法,在SSD算法基础上,采用双线性插值的方法,将深层网络与浅层网络的特征信息进行融合优化的网络结构,增强了浅层网络对小目标的表征能力,提升了模型对小目标的检测能力。在PASCAL VOC2007上进行了实验验证,结果表明,SSD^FE算法较SSD目标检测算法整体m AP提高1.6%,小目标Aero、Bird、Bottle、chair、plant、Tv平均检测精度分别提升5.3%、4.1%、5.5%、1.8%、3%,2.9%。SSD^FE模型,与当前一系列性能优异的目标检测方法在整体平均检测准确率的指标上进行比较,SSD^FE模型存在明显的优势。在拓展实验中,SSD^FE算法对小目标的检测效果有一定的改善,不仅减少了小目标的漏检数量,还提高了整体目标检测准确率。（2）针对SSD、SSD^FE模型先验框尺寸对小目标匹配差的问题,在SSD^FE的基础上,本课题提出将SSD模型先验框尺寸进行调整,即可有效避免由于物体目标过小导致训练阶段物体真实标签无法找到相应的先验框与之匹配的问题,最后对SSD模型超参数进行调整,得到对小目标检测能力更强的新网络模型。实验表明,本章模型的m AP为0.808,较SSD和SSD^FE分别提高了3.4%和1.8%,小目标Bird、Boat、Bottle、chair、plant检测精度较SSD相应提升6%、5.5%、8.7%、3.4%、7.1%,较SSD^FE相应提升1.9%、5%、3.2%、1.6%、4.1%。且新网络模型与当前一系列性能优异的目标检测算法进行整体m AP指标比较存在着明显优势,于各个目标类别检测精度均优于SSD算法,于18个类别检测精度优于SSD^FE算法。此外,在拓展实验中,本章提出的新网络模型模型在小目标检测性能较SSD算法和SSD^FE算法存在显著提升,不仅减少了小目标的漏检数量,还提高了整体目标检测准确率。