目标检测是计算机视觉领域中的一项基础工作,其任务是对图像中存在的目标进行分类和定位。目标检测中对于小目标的检测十分具有挑战性,因为当前目标检测的主流方法仍然是使用深度卷积神经网络,基于深度卷积神经网络的目标检测算法是通过堆叠大量的卷积层提取更高层次的特征信息,来提升模型的检测效果。但由于小目标自身在图像中覆盖面积小、携带的特征信息少的缺陷,经过层层的卷积和池化后,提取到的信息越来越少甚至消失,使小目标的检测精度降低,因此通用的目标检测算法并不适用于对小目标检测精度要求较高的场景。同时一些特殊的应用场景要求能实时检测,因此对算法的速度也有要求。本文针对深度卷积神经网络,研究特征提取、特征融合对小目标检测的影响,以速度较快的YOLO V4为基础算法,提出一种基于群体感受野模块（Receptive Fields Block,RFB）和自适应特征融合的小目标检测算法,提高小目标检测的精度。在PASCAL VOC数据集和NWPU VHR-10数据集上进行了实验,该算法在两个数据集上的检测精度分别达到了87.03%和95.27%,检测速度为26帧/s,精度得到了提升,且速度降幅不大,在多种复杂的场景中实现较好的鲁棒性。本文基于YOLO V4主要做了以下几方面的优化:首先为了解决特征图中小目标信息不足的问题,在模型中融合了浅层特征并添加了RFB模块。由于四倍下采样的特征图中含有更丰富的小目标局部纹理信息,因此将其与八倍下采样输出的特征图融合,并引入RFB模块解决浅层特征图特征提取不充分、感受野小、与深层特征尺度不一致的问题,来丰富小目标信息和上下文信息,提升模型对小目标的检测效果。其次针对目前小目标检测网络在特征融合时使用的简单线性加权、通道拼接等方式难以利用不同特征层的重要程度的问题,本文改进了特征融合方式,设计了一种自适应特征融合方式,通过网络自主学习权重将深浅层特征按权重进行自适应融合,在检测小目标时为不同的特征层赋予不同的权重,实现深浅特征更加高效的融合,提升小目标的检测精度。此外,为了进一步提升小目标检测的精度,针对当前大多小目标检测网络在数据集的预处理方式上难以得到小目标的多样性的问题,本文使用过采样复制粘贴的方式对数据集中的小目标进行增广,强化模型对小目标的训练。为使模型更偏向于小目标的优化,本文还改进了锚框尺度用于提升小目标检测的效果。实验证明本文改进后的小目标检测算法在通用目标检测数据集和遥感小目标数据集中对小目标的检测均取得了较好的精度,检测效率也能达到实时检测,验证了本文算法的有效性。