目前的通用目标检测算法已经在许多应用场景下展现了它的能力,但在针对小目标场景（如无人机检测,航天任务等）下的物体检测仍然存在很大困难。其原因是:首先图像里面的一些目标相对或绝对尺寸太小,在进行目标检测时容易被忽略,除尺寸问题外小目标还经常出现模糊、遮挡以及聚集等问题,这给神经网络去提取小目标物体的特征提出了很大考验。因此,这也使得目前通用的目标检测网络直接应用到小目标场景下的结果不够理想。为解决上述问题,本文对此进行了详细地研究,主要内容如下:（1）YOLOv5算法目前在精度、速度和模型大小等方面有着很优异的表现,现在YOLOv5的基础上提出了改进YOLOv5的小目标检测算法。一是针对小目标的相对尺寸或绝对尺寸过小的问题,对YOLOv5的多尺度预测结构进行了改进,将主干网络特征提取过程中的4倍下采样的特征图和YOLOv5的Neck端进行结合,修改原有的特征融合结构,最后通过特征图对应的检测头进行更小目标的检测,以此提高小目标的检测率。二是从YOLOv5算法中集成了融合通道和空间的注意力模块,特征图先通过通道注意力模块去调整通道之间的权重来增强小目标的特征,再通过空间注意力去提升对小目标区域的关注,减弱对背景区域的影响。最后通过实验可得,改进后方法的检测精度相对原算法有所提升。（2）针对小目标场景下高分辨率图像目标相对尺寸过小和小目标普遍存在图像模糊、缺乏足够的外观信息等问题,本文提出了基于图像增强的小目标检测算法。首先介绍了图像分块方法,并提供了该方法与通用目标检测网络结合的方法。然后提出了基于超分辨率重建（SR）的小目标检测算法,通过引入SR-多任务网络对通用目标检测网络检测成背景的小尺寸预测框进行一次再检测,最终将SR-多任务网络的检测结果和通用网络的检测结果进行合并。基于图像增强的小目标检测算法则是将上述两个方法进行结合,先通过分块方法增强目标的相对尺寸,再通过SR-多任务网络增加它的绝对尺寸和外观信息。通过最后的实验可得,基于图像增强的方法可有效提高目标检测的精度。