图像或视频中目标的检测,一直以来都是计算机视觉技术的重要研究内容,其主要任务是确定输入的图像或视频中是否包含要检测的目标;标出目标所处的准确位置,同时,还需要判断出不同目标在图像或视频中所属的类别,其中,小目标的检测在光电检测、自动驾驶和生物医疗等诸多技术领域有着巨大的实际应用价值。伴随着现代数字成像处理技术和数据存储技术的进步,人们能够方便的从图像中获取各种形式的海量数据,同时随着深度学习的普及,该技术在视觉领域的处理能力已经开始呈现出对传统方法的巨大优势,然而,因为小目标在图像中所占比例小、特征不明显,与工程中常见的常规目标相比,深度学习方法在检测小目标时也存在漏检率高、准确率低等问题,因此,针对上述缺陷,本文开展了如下几个方面的研究:首先,梳理了目前常用的目标检测深度学习算法模型,分析各个目标检测算法的主要优点和不足之处,根据目标检测对实时性、准确性的基本要求,最终确定在YOLOv3卷积神经网络的基础上设计小目标检测模型。其次采用tensorflow对YOLOv3进行构建,并建立了一套用于小目标检测模型训练、验证和测试的小目标图像数据集。接着,针对YOLOv3卷积神经网络模型对小目标的检测能力不够高的问题,对YOLOv3的网络结构进行改进,通过增加网络深度,实现密集连接和扩大小目标检测特征图尺寸等方式来提高网络模型对小目标的检测能力。经过试验对比分析,改进后的网络对小目标的检测能力有所改善。同时,本文还测试了改进后的YOLOv3对红外图像中的目标的检测能力,并将测试结果与可见光图片的测试结果进行研究分析。最后,针对改进后的YOLOv3模型仍然可能存在少量小目标漏检,结合不同的小目标在可见光图像和红外图像中的检测结果不一样的实际情况,本文设计了多框融合的改进型YOLOv3小目标检测算法,选取合适的融合阈值,将可见光图像和红外图像中的检测结果决策融合后显示在可见光图像中,并通过实验给出了检测结果,验证了算法的有效性。