目标检测是图像处理领域的一个研究方向,它主要是找出图像或者视频中感兴趣的目标并进行识别。随着近年来神经网络的快速发展,基于深度学习的目标检测已经产生了一系列性能比较优秀的算法,但一直存在对小目标的检测精度不佳的问题,小目标是指在图像中占比较低或自身像素小于32×32的目标,由于其所传递的信息量较少、易受背景干扰等问题,经常导致漏检和误检。针对上述问题,单次多边界框检测器（Single Shot MultiBox Detector,SSD）采用You Only Look Once（YOLO）算法的回归思想,检测速度比较快,同时加入Faster R-CNN的anchor box机制,可以提升对不同比例目标的检测能力,尤其对小目标的检测能力有了大幅度的提升,但由于没有充分利用深层特征的语义信息,对小目标的检测精度仍然不够好,并且参数较多,计算量大而无法满足实时检测的要求。因此,本文提出两种改进算法。1、为了满足实时性的要求,提出了一种基于MobileNet的SSD改进算法,将VGG-16替换成轻量级网络MobileNet,引入特征金字塔网络（Feature Pyramid Networks,FPN）提升对小目标的检测精度,同时通过Focal Loss损失函数解决SSD算法造成的类别失衡问题。为了对垃圾分类做实时检测,采集并标注了1000张图片,制作成垃圾分类数据集,由于数据集较小,我们采用迁移学习的方法在COCO数据集上进行预训练,然后在自制数据集上进行微调,实验结果表明,mAP和macro average F1-score分别为93.6%和96.5%,FPS达到了102,检测精度和速度都优于其它算法。2、为了进一步提升SSD算法对小目标的检测精度,提出了一种基于ResNet的SSD改进算法,将基础网络VGG替换为残差网络（ResNet）来解决深度网络造成的梯度消失问题,将深浅层信息进行特征融合并且引入了注意力模块,提升检测能力。最后,为了验证该算法的有效性,在PASCAL VOC2007和2012数据集上进行测试,mAP分别为80.2%和79.2%,macro average F1-score分别为89.2%和88.9%。由于增加了特征融合和注意力模块,检测速度有所下降,但相比DSSD算法,检测速度有明显的优势。