小目标检测是指在图像中定位和识别像素较低或占图像比例较低的目标,在无人驾驶技术、智能交通监控、计算机辅助诊断技术等众多领域都有着重要的应用价值。由于小目标在图像中所占像素较少、从图像中反映出的信息量少、受背景干扰较大,通常的目标检测方法很容易造成小目标的漏检和误检。本文的研究目的是以现有目标检测算法为基础,通过调整与优化结构、增加小目标语义信息等措施,降低小目标漏检率,从整体上提升小目标的检测精确度。本文结合数据集中目标尺度的分布情况,分别从数据集处理过程、算法网络结构及预测框的选取三方面对现有目标检测算法进行改进。在网络结构上,采用密连卷积网络代替VGG网络作为特征提取网络,并以有效感受野与anchor框大小对齐为原则设置了密连卷积块的深度。同时,预测网络采用级联的方式对图像深层特征与浅层特征进行融合,从而构成一种特征融合网络结构。对于算法的实施策略,一方面,采用小目标图像的重复采样和图像中小目标复制的增广方式对数据集中的小目标进行数据增广处理。另一方面,在非极大抑制(Non-Maximum Suppression,NMS)过程中分别增加奖励和惩罚的措施,以解决现存方法中没有充分考虑预测框的得分情况及anchor框中心距离的影响问题。本文分别在公开数据集VOC和自行构造的麦蜘蛛数据集上进行了对比实验。结果显示,采用增加上下文的特征融合网络结构在不降低普通目标检测精确度的情况下,可使两个数据集中的小目标检测精确度分别提升3.63%和2.24%;采用改进后的NMS方法在VOC数据集和麦蜘蛛数据集上其小目标检测精确度分别提升了2.84%和2.13%。此外,对于数据集中小目标样本数量不足时,采用数据增广方式可以明显提升小目标的检测精确度。实验和分析表明,提出的改进策略很好地解决了小目标数量不足、语义信息缺乏及在NMS过程中易被抑制的问题,使得小目标的检测精确度得到了较大提高,能够满足常规目标检测应用的要求。