目标检测（Object Detection）作为计算视觉中最基本的任务之一,近年来受到广泛的关注。随着深度学习技术的快速发展和在图像处理领域显著的优势,基于深度学习的目标检测方法在精准度等评价指标上远远超过了传统的方法,卷积神经网络凭借对图像强大的特征提取能力和表达能力大幅度提升了目标检测算法的性能。当前目标检测算法对图像中面积占比小于1%的小尺寸目标的检测效率明显低于大尺寸目标,小尺寸目标检测任务还存在着一定的局限性。小尺寸目标物体在图像中特征形式单一,容易受到图像背景变化、光照强度和图像分辨率等视觉因素的干扰,如何在卷积神经网络中构建强有力的特征提取策略,获取图像中丰富有效的信息是提高小尺寸目标检测性能的关键所在。本文以深度学习卷积神经网络为研究基础,针对小尺寸目标检测所存在问题,通过在卷积神经网络中设计高效的特征提取策略,生成高质量且信息丰富的特征图以提高小尺寸目标检测的性能,本文主要工作如下:（1）本文在深度卷积网络特征融合的基础上做了适当的改进,提出了多尺度空间金字塔池化融合网络（MSPPNet）。MSPPNet通过在特征提取网络的不同层级之间插入空间金字塔池化模块,以增强卷积网络对特征图的感受野,降低了卷积网络由于连续下采样操作对特征图造成的信息损失,同时将浅层和深层特征图进行融合,对图像中物体目标的纹理、形状、色彩等像素级信息进行聚合和统一。针对小物体目标形式单一现象,采用数据增强策略以增强卷积网络的鲁棒性和可扩展性,从而得到更加有利于小尺寸目标检测特征。（2）本文提出了基于注意力机制的特征增强融合网络（AFFNet）。AFFNet对卷积神经网络中特征图在不同尺度和大范围跨度传递中所存在的信息流失问题做了处理。该网络通过在通道维度和空间维度对图像特征图进行筛选和融合,使得卷积神经网络在前向传播过程中,能够整合图像的局部上下文信息,丰富已有的特征图信息。通过对已融合的特征图添加增强式下采样操作,该网络更有效地将深层和浅层的特征图进行融合,使目标检测器在检测小尺寸目标物体性能提升。本文提到的模型方法均在目标检测公开数据集上完成了测试。实验结果表明其在小尺寸目标检测精准率评估指标中提升明显,达到了较高的小尺寸目标检测精准率水平。