目标检测一直是计算机视觉领域的基础任务。针对一般性目标的检测方法并不能有效地解决小目标检测问题。对于小目标检测而言,由于小目标分辨率低、图像模糊、携带的信息少等特点导致的小目标检测效果不佳。同时由于在医学图像领域的可用数据稀少、检测背景复杂,和其他领域的目标检测相比检测难度较大。本文针对基于卷积神经网络的目标检测方法进行了研究与分析,在Faster R-CNN(Faster Region-Convolutional Neural Networks)的基础上提出了改进后的用于医学图像的小目标检测方法。本文针对医学图像中的小目标检测,具体做了以下的研究:1.进行了医学图像预处理操作。使用了包括图像格式转化、图像分割、图像数据增强、图像筛选等数据预处理操作对搜集到的医学图像进行预处理。医学图像的预处理是医学图像检测的重要环节,深度学习算法是一种对数据的依赖和需求量很大的算法,虽然公开的数据集上有一些医学图像,但是这部分数据由于格式和形成方式等问题,不能直接用于深度学习模型的训练。2.提出了基于RPN(Region Proposal Network)改进的小目标定位方法。使用了优化后的GIoU(Generalized Intersection over Union)替代原来的smoothL1作为RPN回归分支的损失函数。Faster R-CNN在提取候选区域时使用的是RPN,分析PRN的回归过程时发现使用IoU(Intersection over Union)作为损失函数会比原来的损失函数smoothL1表现更好,但是又由于IoU直接作为损失函数会存在严重问题,而GIoU的出现恰好对可能出现的问题进行了弥补,经过对比验证,优化后的GIoU作为RPN回归分支的损失函数时表现优于直接使用IoU也优于原来的损失函数smoothL1,因此我们将RPN回归分支的损失函数替换为优化后的GIoU。3.提出了基于改进的Faster R-CNN的医学图像小目标检测方法。使用了多尺度特征图的方法改进了识别网络,通过对前面若干次卷积得到的特征图经过ROI(Region of Interest)池化后拼接在一起,从而提高了小目标区域特征图的分辨率。然后再输入到识别网络,进行对象识别。有效解决了Faster R-CNN对小目标识别率不高甚至无法识别的问题。通过最后的对比试验表明,本文提出的改进后的小目标检测方法在准确率和召回率上,都取得了较好的检测效果。同时以本文的小目标检测算法为核心进行了医学图像检测管理系统的设计与实现。