现有的图像检测模型都是对通用目标进行检测,针对复杂背景下的图像小目标检测还存在难以准确识别的问题,特别是远距离小目标聚集与轮廓边缘不清晰时,检测误差较大。小目标在图像中所占面积小、分辨率低,提取的特征很少,进而不容易被检测。合并多个尺度特征信息能够增强小目标的特征,目前针对特征多尺度处理方式通常是采用特征金字塔（Feature Pyramid Networks,FPN）,但是在特征金字塔融合的过程中,由于非线性运算、不同维数输出的卷积层以及特征上采样,导致相邻层之间的特征关系较复杂,像素直接求和会出现小目标特征冗余、模糊甚至同化,进而造成图像中的小目标错检、漏检以及难以和背景区分的问题。本文针对特征金字塔在小目标特征融合中存在的以上不足,在特征金字塔结构的基础上设计与增加了空间和通道细化模块,提出了特征细化金字塔结构（Spatial and Channel Refinement Feature Pyramid Network,SCFPN）。空间细化模块是根据相邻层级之间上下文信息来学习采样点的位置和偏移量,使得相邻层之间的特征融合更加准确,减少了特征融合过程中的冗余和模糊。通道优化模块是基于注意力机制自适应通道的合并,在小目标特征融合上更加关注关键信息,进而提升小目标特征的边缘表达能力,增加了小目标与背景的差异。本文将两个模块嵌入到FPN结构并应用到网络模型中,在Vis Drone图像和自我标注的遥感图像数据集上设置消融实验,确定了两个模块的互补性以及在特征金字塔中位置。同时设计多组对比实验,将SCFPN与原FPN应用到同一网络中,得出该结构在数据集上提升了小目标的检测精度,证明了该结构的有效性。之后本文在上述基础上设计了小目标检测系统,实现了对图像数据管理、模型调度以及航拍和遥感图像中的小目标检测等功能,并完成了对应的测试。