目标检测是机器视觉研究中一个很重要的方向,在医疗图像分析、航海船舶、国防系统、视频追踪、视频监控、无人机、自动驾驶等领域具有普遍应用。目前针对小目标检测的研究非常有限,大部分研究都是针对PASCAL VOC库中的大目标,忽略了所占整体图像比例较小、更易产生聚集、检测难度更大的小目标的检测。本文研究了图像中小目标检测存在精确度低、检测速度慢的问题。针对上述问题,本文基于深度学习的图形图像处理算法,提出了基于Faster R-CNN的上下文信息灵活融合、特征图谱有效降维的卷积神经网络模型,并进行了充分实验和评估。首先在Faster R-CNN模型中引入了一种更加灵活的上下文信息融合方法,解决了经过卷积神经网络提取后小目标特征较弱的问题,有效的增强了小目标的特征表达并且没有引入分类回归误差;其次,对通过卷积神经网络的主干网络提取到的小目标特征进行自适应学习、对每个特征通道赋予不同的权重、有效地降低通道维度,这不仅提升了图像中小尺度目标检测的准确性还加速了图像中小尺度目标的检测速度;最后,本文利用在线难分样本挖掘、训练数据集的数据增强技术,有效地改善了目标检测模型的训练,同时提升了小目标检测的精确度和检测速度。实验表明,本文提出的小目标检测模型使图像中小目标检测的精确度和Faster R-CNN相比提升了近8%,小目标检测的速度提高了近20fp和,并且显著降低了目标检测模型的计算复杂度。本文将改进后的模型应用在车辆和行人检测实时场景中,实现了远距离车辆和行人的实时检测系统,并对小目标检测模型进行调优实现检测精确度和检测速度的平衡。