现实生活中,目标检测有广阔的应用场景,以及很强的现实意义。在深度学习飞速发展的前提下,目标检测的准确率也屡创新高,然而由于小尺寸目标本身所具有的一些特性,对于小目标的检测精度提升一直是一个难点,这也逐渐成为目标检测领域中最具有挑战性的任务之一。本文围绕小目标检测中存在的问题,开展了以下工作:首先采用了一种基于小目标数据集的图像扩增方式。在经典的目标检测算法中,小目标常常因为自身面积较小而导致检测中正负样本不均衡,进而影响最终的检测精度。本文采用的数据预处理方式可以极大地对这种问题进行改善。利用合适的小样本粘贴,能够在不更改网络结构的情况下大幅度提高小目标检测准确率。本文在实验层面进行了多种组合扩增的尝试,证明了所使用方法的可行性和有效性。之后,在特征金字塔网络的基础上,引入特征拼接模块和通道注意力机制,使高层语义特征和低层细节特征能够更有效的融合连接。其中特征拼接模块赋予网络更大的搜索空间,使网络易于训练。改进的通道注意力模块一方面对小目标的感知更加敏感,一方面能对拼接的高低层特征进行加权。本文不仅从原理上论证了新网络的优越性,也在实验过程中证明了新网络在小目标检测上的优势。基于上述的特征金字塔拼接网络,创新性地提出了特征矩阵转化模块和高层特征增强模块,代替了特征金字塔网络中的上采样步骤和1×1卷积操作。特征矩阵转化模块能在完成上采样功能和降低特征通道数的同时,避免在扩增时引入噪音和降维时损失信息,使特征融合更有效地进行。而高层特征增强模块则弥补了原网络高层特征利用不充分的缺陷,进一步提高对目标数据集的检测性能。