由于小目标具有尺寸小、分辨率低的特点,一直以来是目标检测任务的难题。小目标的识别不能单纯使用一个尺度的特征图预测,需要针对小目标的特点设计合适的检测模型,利用全局语义信息和多尺度特征图进行识别。本文从特征增强的角度出发,提出了新颖的特征融合模块、注意力模块、特征金字塔模块,并将这些模块应用到经典的检测模型中,以提升小目标检测的精度。如下为本文针对提升小目标检测精度做的三个主要工作:1)第一个工作是设计了一种新颖的注意力模块,以提升特征图的表示能力。该模块在建模通道间关系的同时,捕获全局的语义信息,弥补了卷积操作仅能捕获局部特征的缺点。借助全局语义信息,结合小目标所处的环境提升其识别效果。在PASCAL VOC数据集和RSOD遥感卫星数据集上设计了丰富的实验验证了该模块在不同检测模型上的提升效果和泛化能力。2)第二个工作是对SSD（Single Shot Multibox Detector）目标检测算法的改进以提升其对小目标的识别能力。SSD算法在进行多尺度预测时存在特征图信息不平衡问题,为了进一步提升SSD算法的检测性能,本章设计了即插即用的模块来增强特征图的表示能力。首先,设计了一种新颖的特征融合方法来解决跨尺度特征融合存在的信息差异问题。其次,根据池化金字塔的思想设计了一种深度特征提取模块来提取不同感受野的信息,从而来提高对目标的检测能力。最后,利用所提模块改进了SSD算法的架构。通过上述机制,有效提升了SSD算法的检测精度和鲁棒性。在PASCAL VOC数据集上设计了丰富的实验,验证了所提方法的有效性,其中,在PASCAL VOC2007测试集上本章方法比SSD算法提高了2.9%的精确度,同时还保留了实时检测的能力。3)第三个工作是对FPN（Feature Pyramid Network）模块的改进以进一步增强特征金字塔的信息融合能力,提升小目标识别精度。FPN自顶向下的融合方式导致浅层特征图丰富的信息无法有效传递到深层特征图,造成了特征图信息的不平衡。此外,FPN直接融合两个存在信息差异的特征图容易引入噪音信息,不利于小目标的检测。为了解决这两个问题本章提出了DFFPN网络（Deep Fusion Feature Pyramid Network）,利用条件卷积提取两个特征图的共有信息作为模板,后续基于模板特征图融合,可有效减少噪音信息的引入。为了增强信息的传递能力,采用交叉残差链接的方式克服了自顶向下融合方式的单向信息流问题。最后,将所提深度特征金字塔模块分别应用到一阶段检测模型和二阶段检测模型并在多个数据集上进行了实验,其中基于Faster-RCNN的模型在RSOD遥感卫星数据集上平均检测精度提升了2.4%,基于Retina Net的模型提升了2.3%。