随着深度神经网络技术的发展和日益增长的工业需求,目标检测越来越受到人们的重视,并取得了显著的成绩。目前,大多数算法都是针对一定尺寸的常规目标。然而,由于小目标的尺寸相对较小,经过神经网络的下采样处理后像素数目越来越少,导致提取的目标特征不明显。检测中经常出现漏检和误检,严重影响了目标检测的效果。本文针对小目标检测效果差的问题,在算法的特征提取部分,采用并行卷积、空洞卷积以及残差网络来增大特征图的感受野。采用基于多尺度的特征融合,将具有纹理、边缘等细节信息的浅层特征与具有丰富语义信息的深层特征相融合;在算法的检测器部分,采用选择-抑制优化策略,通过反复降低锚定框（Anchor）置信度的对抗方式,在最终收敛的时候最大可能的找到最优Anchor。采用Anchor-object匹配方法结合网络的多层特征图为每个检测目标构造相应的Anchor包,并联合分类和定位的结果去训练网络模型。实验结果表明,在PASCAL VOC测试集上的mAP（mean Average Precision）为78.4%,PASCAL VOC小目标测试集上的mAP为69.2%。在车间人员测试集上的漏检率为1.6%、精确率为92.5%,车间人员小目标测试集上的漏检率为5.0%、精确率为86.2%。为减小定位误差,在保证检测速度的前提下,引入像素级别的实例分割任务,设计了一种包含对象流和像素流的双分支结构,根据实例分割任务生成的目标掩码直接获取边界框。实验结果表明,在PASCAL VOC测试集上的mAP为80.2%,PASCAL VOC小目标测试集上的mAP为71.4%,并且定位目标的边界框也更加精确。最后,将目标检测算法应用于生产车间中,设计了实时车间人员检测系统。该系统可实现对人员活动区域的实时、不间断检测,并可以实现智能的报警和预警功能。