近年来,随着计算机技术的快速发展,越来越多的图像处理技术加入到智能识别系统中。识别系统能够扩大监控范围的同时能够提高监控准确性。车辆检测作为目标检测中一个重要分支,车辆的自动检测和识别在军用,民用等领域起到重要作用。在军用方面可以应用于目标检测、跟踪、探测制导等领域,实现对目标的实时监测、跟踪、使武器系统在不同环境中具有实时的精确打击能力。民用方面可应用于无人驾驶汽车,城市智能交通等领域。现有的传统检测方法在少量样本条件下检测目标,存在准确率高召回率低或检测准确率低召回率高等问题。深度学习的检测方式需要大量样本,但在军事领域中无法获得大量样本只能在小样本条件下检测。针对上述问题,本文提出了一种基于面向自然场景的小样本检测方法。主要工作和创新点如下:1.传统检测方法检测,针对Haar特征检测车辆存在准确率高召回率低,准确率低召回率高的问题。本文提出了使用支持向量机对Haar特征检测结果分类,去除虚警后检测车辆,在检测结果保持召回率较高的情况下提高了检测准确率。对图像预处理后可以提高使用基于Haar特征检测方法的准确率。2.深度学习方法检测,将SSD(Single Shot MultiBox Detector)网络在多层特征上直接检测改进为在特征金字塔网络结构上检测。改进后的网络结构融合了多个尺度提提取的特征,网络能够提取更丰富的细粒度特征信息。改进后的网络结构在检测精度上有提升。3.迁移学习方式检测,使用ImageNet数据集上预训练权重,在改进的SSD网络中使用残差网络(Resnet34)作为特征提取网络代替VGG16。实验结果表明在网络精度不下降的情况下提升了网络检测速度。