随着计算设备的快速发展和深度学习领域的不断创新,深度学习及其相关方法在学术领域和工业领域都得到了大范围应用并取得了优秀的成效。同样在计算机视觉领域,特别是目标检测领域,深度学习及其相关方法取得了前所未有的成就。与基于传统算法的目标检测方法相比较,基于深度学习的目标检测方法在准确率、召回率和鲁棒性上有着更优秀的表现。然而,常见的裂缝、眼底视网膜血管、遥感图像中的道路等不规则细小目标有别于常规目标,其形态、颜色、纹理和内部结构等特征均不明显,导致了基于深度学习的目标检测方法对其检测效果不佳。为了提升不规则细小目标检测方法的精度和鲁棒性,本文认为有以下几个问题亟需解决。分别是,海量深度神经网络参数易淹没微小的不规则细小目标特征,且易受噪声影响;深度神经网络无法有效提取不明显的不规则细小目标特征;即使是经验丰富的专家也难以鉴别复杂噪声环境下的不规则细小目标,进而带来的数据不确定性造成了神经网络训练不稳定。为了解决以上问题,本文提出了三种不规则细小目标检测算法。（1）基于深监督和全连接的噪声抑制神经网络模型。该算法在多个语义层级的特征图上进行深度监督,以抑制噪声对不规则细小目标检测效果的影响,并在同级多阶段的特征图间实现全连接,以减少微小的特征在网络传播过程中的流失。（2）基于聚合注意力模型的不规则细小目标检测算法。该算法将注意力机制提升至语义层级,对不规则细小目标的边缘进行监督,使神经网络能够关注更显著的边缘特征,避免由于形态、颜色、纹理和内部结构等特征不足带来的特征提取困难。（3）基于标签生长的半监督目标检测算法。为了缓解数据的不确定性带来的影响,该算法迭代的将高置信度预测结果作为标签生长矢量加入训练样本中,以提高模型的精度和稳定性。为了证明算法的有效性,本文以机场道面裂缝检测任务为例,对所提算法进行了大量实验和验证,结果表明本文算法在检测精度、鲁棒性上均超越了现有算法,为相关研究和应用提供了可靠基础。