高原鼠兔目标检测是统计高原鼠兔种群数量和研究其种群动态变化的基础。自然场景图像下的高原鼠兔目标体型小、特征不显著及背景复杂,使其可用检测特征少,而基于深度卷积神经网络的目标检测模型在提取特征时经过多次池化操作,使得高原鼠兔的特征更加难以有效提取,从而对其检测不利;此外,基于深度卷积神经网络的目标检测模型需要大量的样本训练,而高原鼠兔栖息地环境恶劣,且对外界环境变化敏感,采集图像困难,使得高原鼠兔训练样本数据不足。基于深度卷积神经网络的目标检测模型在特征提取过程中经过多次池化,使得小目标特征容易丢失,提取困难。为了提高基于深度卷积神经网络的目标检测模型对高原鼠兔的特征提取能力,进而提高对其检测的精度。本文提出了一种通道-空间注意力机制特征融合的基于Faster R-CNN的小目标检测模型。首先设计了一种基于通道-空间注意力机制的特征融合方法,用于降低特征融合过程中引起的混叠效应;其次设计了一种跳跃残差连接模块用于降低特征融合过程中高层特征信息的丢失;最后基于残差网络Resnet101深层特征提取能力强的特点,将其引入到模型中,用于替换Faster R-CNN中的VGG16,将提取的特征使用本文提出的通道-空间注意力机制特征融合方法融合生成特征金字塔网络,并将生成的特征金字塔网络作为Faster R-CNN的主干网络。对自然场景下的高原鼠兔和遥感目标的检测结果表明:与其他基于深度卷积神经网络的目标检测模型相比,本文提出的模型有较高的平均准确率。基于生成对抗网络GAN的数据增强方法可以生成与原始数据集同分布的新目标图像,能够有效解决目标检测模型训练数据不足的问题。然而GAN生成的目标图像与背景图像相融合时采用逐像素相加或直接像素替换生成新图像的方法会造成融合图像边界突出,且当被融和的目标图像和背景图像的颜色差异较大时,会产生融合图像的目标颜色与实际场景不符的问题。针对以上问题,本文提出了一种基于多尺度梯度生成对抗网络MSG-GAN的自适应图像融合数据增强方法。首先将训练样本中的目标图像提取出来,用于训练多尺度梯度生成对抗网络MSG-GAN,使其能够生成新的目标图像;其次,采用颜色直方图自适应地选择颜色相近的目标图像和背景图像;然后,采用泊松融合方法对自适应选择的目标图像和背景图像进行融合得到新图像,从而使得融合图像的目标边界更为平滑,减小融合图像中目标和背景之间的颜色差异;最后,将融合图像加入到原始训练集得到增强训练集,对目标检测模型进行训练。对自然场景下的高原鼠兔目标检测的实验结果表明:与其他基于图像变换和基于生成对抗网络的数据增强方法相比,本文提出的数据增强方法训练后的目标检测模型有更高的平均精度。