目标检测是研究计算机视觉的一个重要基础,也是当代社会中做各种视觉任务的基石。近年来,在深度学习飞速发展的背景之下,目标检测已经达到了前所未有的突破。如今,在辅助驾驶、智能安防、自动控制以及医学智能辅助等领域已普遍应用目标检测。但是,目前的方法处理小目标问题仍然很棘手。真实世界中杂乱多变的使用场合下,小目标伴随着目标光照和遮挡等剧烈变化的情况,通常比较复杂且难以观察。因此,对小目标的检测非常困难。基于深度学习,本课题对难度系数较大的小目标检测进行深入研究,以Faster R-CNN目标检测算法为基础,优化其网络结构,对数据进行预处理,成功提升了模型对小目标的检测能力。主要研究内容如下:1.针对Faster R-CNN网络无法高效检测到小目标物体,且检测精度较低的问题。提出对Faster R-CNN网络提取到的特征图使用相邻特征融合的方法。该方法将特征图上的深层语义信息和浅层特征使用Element-sum和Concatenation的方式进行合并,使得网络模型对小目标的检测能力有所提高。同时,为了更好地检测小目标,使用过采样对数据进行预处理,并调整Faster R-CNN模型的相应超参数值。从一系列实验结果可以看出,特征融合后的模型较原始Faster R-CNN模型对小目标的检测精度提高了 10.7个百分点,对小目标物体Bottle、Plant、Cow、Boat的检测精度分别提高了 13.9、11.2、6.7和9.5个百分点。与当下最先进的目标检测算法进行对比,本文提出的模型的检测精度mAP得到了显著提高。2.针对小目标检测中存在小目标部分遮挡的问题。对Faster R-CNN目标检测算法进行了如下改进:首先,调整了 RPN网络中anchor的大小,较小尺寸的anchor可以更好的检测到小目标;然后,使用Soft-NMS替代Faster R-CNN中原先使用的NMS,以更好地抑制边界框的重叠;最后,优化Faster R-CNN网络中原始的RoI pooling,优化后称之为PORoI pooling,提高了改进的Faster R-CNN算法对遮挡小目标的检测性能。实验结果表明,该方法对遮挡小目标的检测性能良好。