小目标的检测长期以来是计算机视觉中的一个难点和重点研究问题。伴随深度学习的发展,对于目标检测的研究已取得了显著的成果,但在基于机器视觉的小目标检测领域仍然存在小目标特征丢失导致检测精度不高的问题,弥补这一缺陷对于改善目标的检测性能至关重要,对小目标检测展开研究将有助于推动目标检测领域的发展。近年来,随着对小目标检测技术的需求以及无人驾驶的发展和辅助驾驶的推广应用,交通标志检测在协助司机安全行车方面起着日益关键的角色。交通标志中小目标对象较多,给道路交通标志检测技术的研发造成很大困难。因此,对现实自然条件下的道路交通标志识别算法进行研究具有重要的实用价值。设计高精度、高效率的交通标志检测算法仍是一项具有重大意义的开放性课题。在本文研究中,我们提出了一种多个尺度的混合维度网络来重新配置特征并融合目标检测层,使用不同尺度的特征图进行变换与组合。在多尺度特征变换组合方面,参考了目前主流算法YOLOv3中的特征金字塔网络的结构特点,对其尺度进行了相应的增减操作,该方法通过对特征进行重建,将目标检测层的尺度信息进行融合,使得该特征中同时包含较深层次的语义信息和较浅层次的位置信息,从而能够更好地进行特征的定位和分类,提高对小目标特征的识别能力。在混合多维度注意力机制方面,在水平连接中采用了自适应融合方式与自上而下的路径,通过融合多重注意力机制,分别从空间和通道两种角度发现特征之间的关联信息,强化特征传递与复用,强调关键特征,抑制非重要的特征,生成更有针对性的特征图,进一步实现对特征的有效应用,以改善模型。在目标预测回归方面,采用成熟的先验盒聚类算法K-means++技术,选择匹配度更高的先验盒。此外,数据增强丰富了样本的多样性,增强了模型的泛化能力。综合以上所提方法,我们在Py Torch深度学习框架的基础上构建了一个高精度的小目标检测模型,命名为MTCSK++神经网络模型。我们在CSUST中国交通标志检测基准（CCTSDB）与清华-腾讯100k（TT100k）数据集进行训练和测试。实验表明,在CCTSDB数据集上,MTCSK++的m AP高达94.29%,与YOLOv3模型相比,增加了4.03%。在TT100k数据集上,m AP增加到84.07%,对数平均失误率得到有效降低。在保证检测速度的前提下,改进后的方法拥有更显著的检测精度,鲁棒性也得到了相应的提高。