小目标检测既是目标检测领域中的重要研究内容之一,也是研究热点与难点。由于小目标在图像中占比少、像素低,导致目标检测网络难以准确提取到物体的特征。而且,当前一些先进的目标检测算法因为模型复杂度过高,导致无法部署到性能较低的边缘设备上;为此,一些目标检测网络为了适应这些低性能设备被迫简化网络结构,致使实际检测效果不好。由此可见,设计一个轻量高效的小目标检测网络具有十分重要的研究意义与应用价值。本文选取YOLOv5的轻量级模型作为研究对象,针对小目标特点对模型进行改进,主要研究工作如下:（1）针对轻量级模型骨干网络特征提取能力有限的问题,提出融合注意力机制增强模型的特征提取能力。模型在添加注意力机制后,小目标特征易被忽略,为此设计了双分支骨干网络丰富小目标的特征;同时向骨干网络中增加感受野模块,用以捕捉小目标的上下文信息,从而更为有效地获取小目标相关特征。在YOLOv5s上的实验表明,上述改进策略较好地提升了模型的小目标检测精度。（2）针对轻量级模型小目标检测性能弱的问题,将Focus模块加入网络,获取更多低层次的空间信息,从而增强小目标特征;同时,采用rBi-FPN对提取的特征进行融合处理,有效地增强了小目标的特征,提升了小目标的检测精度。实验结果表明,在YOLOv5s模型上的应用改进,很好地增强了模型的小目标检测性能。（3）在MS-COCO与Argoverse-HD数据集上分别验证改进的模型应用效果,并以改进后得到的模型为基础,设计、开发了一个驾驶场景下的小目标检测应用软件系统,验证了该算法的可行性与有效性。