深度学习让目标检测效果得到了显著的提升,但由于深度网络特征提取下采样特性,图像细节信息会因卷积操作大量丢失,导致尺度小、信息少的目标无法精确检测。因此,设计一个有效的检测框架,提取图像中的小目标特征,解决目标漏检误检问题,具有重大的研究意义。另外,数据集标注的人工成本高,尤其对于尺度较小的目标,标注时难以发现,易遗漏。为了减少模型训练对标注数据集的依赖,论文从半监督机制和主动学习两个角度出发,设计训练策略,用较少的数据标注成本实现小目标检测。主要工作如下:首先,为解决训练和测试阶段目标分布的空间尺度不一致性问题,提出了一种基于图像分块的数据预处理策略,将待检测图像分割成子图像集合,通过检测子图像,解决在不同的推理阶段目标特征变化的问题。为进一步改善小尺度样本学习不充分的问题,提出了样本平衡感知损失函数,平衡不同尺度样本的学习程度,感知小目标,强化其检测能力。实验结果表明所提出的方法能够有效提高小目标检测的效果。其次,为解决少量样本训练时检测能力不佳的问题,提出了一种伪标签半监督训练机制。通过目标框二值化掩膜生成伪标签,比较伪标签阈值和无标签数据预测值,生成掩膜矩阵用于模型的训练。此外,设计了伪标签数据损失函数,辅助模型更新。实验结果证明,提出的半监督机制能从无标签数据中获取有效信息,指导模型优化,减少模型训练所需要的标注数据量和标注成本。最后,提出了一种主动学习方法选择高信息样本,减少数据标注工作。结合小目标框集合的特征,利用两种不同的采样查询策略,设计相应的信息量评价指标,在无标注数据池中寻找难预测样例和小尺度样例,进行精准标注,不断增加训练样本量,进而实现模型优化。经实验验证,通过选择高信息量的样本训练,可以不断地优化模型,进而提高小目标检测精度。本文针对小目标检测效果差、样本标注成本高和难获取等问题进行了深入的研究,提出了无锚点网络深度学习算法框架,并利用Vis Drone2019数据集进行检测实验,结果表明了所提算法的有效性。