深度卷积神经网络、超分辨率在计算机视觉中的高度发展,研究促进了目标识别的飞速发展。基于机器学习方式的目标检测方法针对更高难度的检测任务时往往识别效率低下,深度学习技术凭借着强大自学习能力和自适应性为目标物体识别问题的解决提供了新的途径。本文主要侧重于小目标物体难以识别问题,提出新的检测方法进行模型准确度评估和定位。首先,针对提取的特征图不清晰问题,本文提出了退化抑制模块。该模块主要聚焦在如何将网络提取的低分辨率特征图转换成更高分辨率图像,使得特征提取图像更加清晰。论文使用超分辨率修复技术解决特征图局部信息丢失严重问题,与深度卷积神经网络融合操作,对特征图进行退化抑制处理。其次,针对于小目标物体难以识别问题,本文提出了一个参数衍生模块,该模块有两个输入端:特征提取分支和图像处理分支。在图像处理分支,本文使用平均池化对每个通道进行操作,以此得到不同的卷积核,然后将特征提取分支得到的特征图与卷积核进行逐通道卷积操作,从而得到最终的特征图。参数衍生模块可以有效提取像素间的语义信息,从而使得模型能够有效抑制背景信息,降低前、背景比例不平衡。本文还验证了平均池化和最大池化对于图像分类的影响。与最大池化相比,本文在每个通道上进行平均池化操作,对每个通道领域内特征点求平均,这样可以考虑该通道内多个特征点的信息。实验结果表明,平均池化拥有更多局部信息,对于图像检测精度有更大的帮助。该模型使得网络的AP性能在MS-COCO数据集上提高了0.36个百分点。最后,将参数衍生模块与退化抑制模块相融合。对于不同模块间的融合,在融合特征之后,添加了一个RP（Reflection Pad）操作、3*3卷积操作和块归一化处理,对融合特征进行重塑,以此来改善模型的识别精度。实验结果表明,融合后对于中尺寸目标物体检测结果达到最优。