目标检测需要在大量自然图片中通过预定义的标签中准确的找到目标物体,是计算机视觉的重要研究方向,在如工程安全着装、行人和车辆检测等领域有巨大的应用价值和研究前景。工程安全着装、行人和车辆检测中大部分的目标尺寸都较小、多背景噪声,目前的目标检测算法对于这类小目标的检测能力比较有限。小目标指的是在图像中的像素占比少的目标物体,小目标易受背景噪声影响和特征不足的问题会导致小目标识别困难。本文选取YOLOv5作为主要研究对象,就小目标在目标检测中的难点展开分析,针对小目标检测的问题设计改进方案来提升YOLOv5的检测性能。具体内容如下:（1）针对小目标像素低、占比小的特点,考虑YOLOv5是一个anchor-based模型,Anchor机制通过设计更符合数据集中的目标、尺度和长宽比不同的锚框以覆盖尽可能多的有效感受野来提高检测的精确度。但YOLOv5的原Anchor机制存在一定的缺陷,其中分配标签以及NMS都是依赖Io U作为度量,于是考虑了将Normalized Wasserstein Distance（归一化Wasserstein距离,简称NWD）作为度量替代Io U以解决Io U对于小目标偏差非常敏感的问题,最终获得更加符合如安全帽、航拍中的行人和车辆等小目标的锚框值来提高整个模型的性能。（2）针对卷积神经网络本身存在的多次下采样导致的细节信息丢失,以及小目标特征不明显、容易受背景噪声影响的问题,本文利用注意力机制融合多尺度网络结构增加浅层的特征图语义信息和深层特征图的细颗粒信息,主要是采用了ECAnet以一维卷积的方式捕获跨通道信息来增加目标区域的特征信息,结合Coordinate Attention将空间信息编码成两个并行的一维特征码,用以捕获长期依赖和保留位置信息,最终强化目标兴趣表示,提高算法的目标分类能力和检测的精确度。同时,因为浅层的特征图所包含的语义信息更丰富,于是引入Up Sample模块进行上采样操作以捕获更浅层的特征图从而保留更多的小目标细节以提高检测性能。本论文选取了两个不同的数据集进行实验,一个是工程安全着装,做安全帽以及反光衣的图像识别,这个数据集的特点是目标物体尺度大部分偏小,在图像中的位置比较零散和稀疏;另一个是无人机航拍图像的行人、车辆目标识别,其中图像中目标物体尺度小且密集、遮挡物多是它的特点。这两个数据集都是小目标数据集,但是各有不同,通过在不同数据集上进行实验,可以验证改进方案的有效性,并且能够分析改进方案在不同特点的数据集上的不同表现,更好地理解改进方案对于模型性能的影响。最终,通过在这两个数据集上的对比和消融实验证明了改进方案对于模型性能的提高。