目标检测作为计算机视觉基础任务,广泛应用于人脸识别、无人驾驶、无人机视觉应用等各个领域。近年来通用目标检测成绩显著,但其应用锚框机制难以捕获充足的小目标样本,大量的超参数又使得网络难以训练。密集检测器对任意尺度目标具有良好的鲁棒性和泛化力,应用于小目标检测具有较大的潜力。然而目标尺度小、分辨率低,模型训练过程中存在多种不平衡,特征凸显困难,在以下几个方面存在明显不足:1)标签分配:密集检测器以固定标注框占比选取正标签,小目标标注框小,获得的样本量少,极易导致大小目标样本不平衡。2)特征提取:低层网络能提取丰富的空间细节信息,但感受野小,语义信息少;现有高低层特征融合方法会导致特征不对齐,影响特征表达。3)特征增强:小目标信噪比较低,特征表达弱;已有研究表明注意力机制利于特征增强,但计算开销较大。4)损失函数:小目标对总损失做出贡献较小,模型难以学习充分的区分性特征;已有研究应用投票策略增加小目标学习,但其性能依赖于训练数据。本文采用密集检测框架,解决训练过程中存在的不平衡问题,并增强小目标的区分性特征表达,主要工作包括:1)提出可伸缩标签分配策略。设计可伸缩的椭圆框,以自动调整目标标签分配区域,获得更多的小目标样本。2)设计低层残差特征提取网络。以低层空间细节信息为主,借助相邻上层语义信息辅助表征小目标。3)提出特征引导增强模块:设计两个非线性学习算子引导模型学习更多的小目标区分性特征,在此基础上使用全局平均池化增强其特征表达。4)提出尺度感知损失函数:利用目标尺度的统计信息,动态加权小目标的损失,增加模型对小目标的关注。在多个数据集上进行广泛实验验证,结果表明与基于密集检测框架的先进目标检测器和基于锚框的目标检测器相比,本文提出的模型在小目标检测上均有卓越的性能优势。