随着卷积神经网络在图像识别领域的快速发展,如今通用场景下的目标检测技术备受关注,已被广泛应用于各大领域。复杂背景下小目标检测作为目标检测任务的子类,期望解决小尺度物体的定位和识别问题。然而,受限于相关图像采集的困难性、目标与背景的比例不平衡性以及复杂背景的干扰性,该检测问题仍面临巨大的挑战。本文针对复杂背景下的小尺度目标检测任务效果不佳的问题展开研究工作,通过深入分析该问题中的小目标视觉特征以及检测网络的整体结构,提出了一种基于密集像素点的区域关系网络。该网络模型采用基于密集像素点的候选区域生成方式来解决小尺度目标的训练正样本不足,正负类别极其不平衡的问题;采用区域间关系建模的方法计算不同区域间的相似度,以减轻复杂背景特征信息对小目标识别的干扰问题。论文对所提出的网络进行了大量的实验工作,并基于SVSC 数据集,即Street-View Surveillance Camera Dataset(本文提出的小尺度目标检测数据集),与其他主流检测网络进行了实验对比。实验表明,本文提出的基于密集像素点的区域关系网络大大提升了小尺度目标的检测精度。在该网络模型的基础上,论文实现了一个街景地图下监控摄像头的检测系统,对该检测系统进行了需求分析、概要设计、数据库表分析,对用户登录管理模块、检测网络模型信息管理模块、街景目标检测识别模块和监控摄像头数据管理模块进行了详细设计,并对系统进行了实现和测试。目前系统已开发完成,并进行了初步的测试,测试结果表明,本系统能够满足安全保障人员对一定区域范围里的监控摄像头进行检测定位的需求,是对城市场景理解中的地区安全性分析的有效应用。