随着深度学习技术的疾速进展,作为计算机视觉领域最常见、最重要的任务之一的目标检测取得了显著的进步。目标检测被普遍使用于机场异物检测、自然火灾预警检测等任务场景中,但目标检测仍遗留部分难以解决的问题制约其发展,小目标检测精度低便是其中之一。为了提高小物体检测精度,本文研究了目标检测算法Faster-RCNN中小物体检测精度低的原因,并根据找出的原因对应提出三种改进方法,分别是数据增强、锚框参数优化、频域混合注意力机制来改进小目标检测,改进的效果在Small Object Dataset数据集上进行了验证。针对小物体的数量不足的问题,本文提出了添加噪声、超分辨率等多种数据增强方式,不仅增多了小物体样本的数量,而且还提高了卷积神经网络的抗过拟合能力。最后实验证明,多种数据增强方式的确能提高小物体的检测精度。针对初始锚框和小目标差异大的问题,本文首先从理论上证明了锚框和标注框的面积、宽高比相同时,初始交并比最大。然后使用高斯混合聚类算法对标注框的面积和宽高比参数聚类,设计初始锚框。最后实验验证了改进锚框参数的效果。针对特征图中背景信息干扰小物体中的问题,本文提出了频域混合注意力机制。其拥有增加特征信息多样性以及混合注意力从不同方向对特征图进行选择性抑制和增强的优势,最后实验验证了该模型的有效性。小目标数据集Small Object Dataset的实验结果表明:采取本文提出三种改进方法后,平均检测精度分别比Faster-RCNN提高了10%、3.8%、1.8%。同时将改进后的模型应用到小目标数据集的可视化检测中,可视化结果表明该方法可以提高小目标的可视化检测结果。综上所述,本文提出的改良方法能提升小目标检测效果。