目标检测作为计算机视觉领域的一个重要研究方向,具有极高的学术理论价值和实际应用价值。随着人工智能和机器学习的发展,这一研究领域又被推向了新的高潮,衍生出了包括行为预测、目标跟踪等多项具有理论研究和实际应用双重价值的科研项目。然而在航空航天、军工安防和工业自动化一些应用领域中,常常会因为目标距离成像设备较远或者目标本身尺度较小,而导致收集到的图像中存在着许多的小尺度目标。这些小目标由于分辨率低、精度差、召回率低等问题,使得目标检测算法对它们的检测效果并不好。针对上述问题,本文提出了一种基于YOLO网络的小目标检测优化方案,同时在嵌入式平台上对方案进行了验证,本文具体研究内容如下:1.提出了一种新的小目标数据集扩展与数据增强方法并采用anchor自适应算法进行训练。首先将原始数据集中的图片按照图像中待检测目标照尺度大小划分为三个不同的等级。而后利用Mosaic数据增强算法的思想对划分后的数据集进行扩展,但是将大目标集合中放大操作的随机运算因子置为0、小目标集合中缩小操作的随机运算因子置为0。最后利用anchor自适应算法进行训练,使得不同尺度下的待检测目标所匹配到的anchors维持在同一个数量级。在MSCOCO2017、VOC2007和Vis Drone2019数据集上进行测试,小尺度目标的平均漏检率由32.1%降低为了23.5%。2.提出了一种针对嵌入式平台无人机对地小目标检测的优化网络。以单阶段目标检测网络YOLO网络结构为基础,以精度、速度和功耗三个指标作为评价标准,设计了一个针对嵌入式平台无人机对地小目标检测的优化网络。网络的Backbone部分采用了改进后CSPDarknet结构,在保证特征信息复用性的同时减少了计算的复杂度,提升了检测的效率。Neck部分采用特征金字塔结构,利用FPN思想保证了不同尺度的待检测目标的并行检测效果。Prediction部分采用解耦合操作,在保证实时性要求的前提下,以小部分检测速度为代价提升了网络对于小尺度目标检测的检测精度。在Vis Drone2019航拍数据集上进行验证,本设计的网络对于小尺度目标的检测精度由38.5%提升至43.8%,优于同系列的其他算法。3.在嵌入式平台上对实验结果进行验证,实现了对于图片、视频以及摄像头获取的场景中的小尺度目标检测的优化。