在很多场景中,采集数据具有一定的困难,这导致相关领域可用于深度学习的数据较少。另外,标注一定数量级的数据集是一件费时费力的事。因此,研究小样本目标检测技术,利用少量样本训练出具有泛化能力的目标检测模型有重要的实用价值。当只有少量带标签的样本时深度神经网络模型的参数量与样本数量不匹配会出现过拟合现象导致检测效果较差。本文针对现有的小样本目标检测算法存在的问题提出改进算法并将改进后的小样本目标检测算法用于丝绸文物图案检测任务。本文的主要工作总结如下。首先,本文从数据层面提出基于CBAM掩码修复数据增强模块和加权原型网络的小样本目标检测算法,该算法能实现端到端的小样本目标检测任务。该算法主要为了解决现有数据增强模型存在的以下三个问题:1)数据增强过程与目标检测任务关联性不强导致生成的数据对检测模型性能提升不明显;2)数据增强方法引入随机噪声,生成的图像存在冗余信息且语义性不强;3)平均向量表示类原型向量导致的原型向量表示不准确。本文将数据增强模块嵌入到小样本目标检测框架中,使数据增强模块沿着目标检测损失下降的方向优化,实现端到端的训练,并且采用掩码修复的方式利用自身信息修复掩码区域信息实现数据增强,所以生成的图像语义性更强。扩充数据后利用加权原型网络计算多个样本的类原型向量,避免简单的利用平均向量表示类向量导致原型向量表达不准确的问题。其次,本文从先验知识特征利用率层面提出基于多尺度类注意力和混合注意力融合的小样本目标检测算法。该算法主要为了解决以下两个问题:1)在缺少数据集的场景下,训练样本尺寸单一使小样本模型难以学习尺度信息,这导致小样本中多尺度目标的检测效果不佳;2)训练样本特征与查询样本特征之间单一的特征融合方式对先验知识利用不充分。多尺度类注意力模块用于计算融合了高层语义特征与低维度的几何特征的多尺度特征。卷积神经网络提取的特征保留小目标的纹理信息和语义信息,使小样本目标检测模型获得更丰富的先验知识,更好地表达查询样本的特征。混合注意力融合机制使模型在RPN模块和分类器上实现不同方式注意力特征融合,从而更全面的利用支持集中的先验知识,提高目标检测的准确率。最后,本文将上述算法应用于丝绸文物图像检测任务。我国的丝绸文物数据特点是总量丰富,单个类别稀缺,符合小样本目标检测的应用场景。但是国内外缺少公开的丝绸文物数据集,因此本文构建了丝绸文物图案数据库用于丝绸文物图案的搜集和管理,并且基于该数据库实现了上述算法的应用。