目标检测技术一直是计算机视觉领域当中比较热门的研究方向,目标检测技术在民用与军用领域都有着极其广泛的应用。移动智能体,指的是具有一定硬件计算能力的实体。民用领域的移动智能体主要包括移动机器人、无人驾驶车辆、无人机等载体,面向民用智能体的目标检测应用场景包括自然场景下的物体检测、行人检测等。军用领域的移动智能体主要包括卫星、导弹等,军用智能体的目标检测应用场景包括面向卫星的遥感图像中的目标检测、机载设备的目标检测等。随着5G与物联网技术的兴起,应用场景的扩大与应用条件的变化对目标检测技术提出了更高的要求。然而不管是基于哪一种的算法,传统的目标检测算法都离不开大量的训练样本做基础,当算法的应用场景不允许获取较多样本时或应用场景对算法性能要求较高时,使用这些算法直接处理小样本问题是不合适的,其局限性主要表现在检测召回率与精确率的双重下降。在现有的少量样本的情况下如何尽可能提高小样本目标检测的准确率并减少结果中存在的误检,是本文探讨的主要问题。针对上述问题,本文提出了一种面向移动智能体的小样本目标检测解决方案,该方案包括了基于现有样本的目标样本增广技术研究与轻量级小样本目标检测算法的实现。主要工作及创新点如下:1.基于传统的非深度学习的特征提取算法具有速度快、体积小的优势,但其在检测过程中极易受到背景信息的干扰导致出现高错误率。而基于大规模深度学习的特征提取算法具有较高的特征提取能力,但是其对硬件的要求较高,对于计算能力有限的移动智能体来说,传统基于深度学习的目标检测算法具有明显的局限性。本文针对此问题提出面向移动智能体的小样本目标检测算法,该算法使用基于传统方法的特征提取器对目标的灰度、梯度等特征进行提取,然后使用浅层卷积神经网络构建二次过滤网络去除错误的提取结果。实验表明,该算法在保持一定鲁棒性的前提下在小样本检测方面具有良好的表现。2.本文探究了面向小样本的目标样本增广方案,该方案包括基于传统方式的样本增广方法与基于深度卷积对抗神经网络的目标样本生成方法。针对传统深度卷积对抗神经网络健壮性差、难于训练、容易产生梯度消失等问题,引入变分判别器瓶颈（VDB）思想,在训练过程中对判别器的判别能力进行约束,从而达到良好的生成效果。并在实验阶段对本文所采用的样本增广方法生成的目标样本作为训练样本时的有效性进行评估,寻找基于评价结果的适配本文算法的最优样本组合以及训练方式。3.根据本文研究成果构建基于C++语言的小样本目标检测平台,该平台对硬件的算力要求低且体积小、速度快、易于部署,对于无法安装图形处理器（GPU）的移动智能体来说意义重大,最终检测结果表明在单纯使用CPU的应用场景下本文算法具有较好的适用性。