在计算机视觉领域,利用深度神经网络建模图片数据与类别、位置、文本等标签之间映射关系的方法已经得到了广泛应用。为了达到满意的效果,神经网络通常都需要在大量带完整标签的数据上做充分的迭代训练,但是数据和标签的获取往往耗时费力。然而,人类可以从几个样本中快速学会新物体的识别。受到人类快速学习的启发,人们提出了少样本图像分类的概念,目前已经有不少研究投入其中,但是在更具挑战的少样本目标检测任务上依然缺乏探索。少样本目标检测的目的是学习一个给定目标域少量图片及对应标签（标注框和类别）就能拥有识别和定位测试图片中目标域物体能力的网络。首先,本文结合少样本分类领域研究及少量现有的少样本目标检测工作,给出了少样本目标检测任务的精确定义和算法评价标准。通过对传统目标检测算法框架以及少样本任务特点的分析,本文在基于建议框提取的二阶段目标检测框架上对少样本目标检测模型结构进行设计,并结合元学习思想给出了该框架下不同模块的最佳训练策略。其次,为了充分利用少量已知图片的标签信息,我们在细分类阶段采用带边特征的图卷积神经网络建模支持框与建议框间的复杂关系,并通过图网络中节点特征与边特征的迭代更新完成框之间的信息传递,然后利用最后一次更新所得边特征作出未知目标框的类别预测。最后,为了进一步提升算法性能,本文在建议框提取阶段引入注意力机制,在建议框提取模块的分类和边框回归两条分支上均加上支持框信息,使得建议框提取网络能够根据支持框的类别更准确地输出属于当前任务类别空间的目标框并减少非当前任务类别空间目标框,为后续检测步骤提供更可靠的建议框,进而提升整体检测效果。本文在大型标准数据集Pascal VOC和MS COCO上进行了一系列实验,证明了基于图卷积的细分类网络及基于注意力机制的建议框提取网络的有效性,并通过与其它少样本目标检测算法的检测性能对比证明了本文方法的优越性。