计算机视觉旨在识别和理解图像或视频中的内容。其具有定位、分类、检测和分割四大基本任务。其中目标检测的目标包括两个子任务:分类和边界框回归。然而在诸多研究者涌入目标检测领域,使得大量且高质量的深度学习框架被提出并开源,以提高通用目标检测的性能。这为目标检测提供了新的解决方案,当把深度学习的方法引用到目标检测后,可通过神经网络学习特征表达能力更强的特征信息极大地提高了目标检测算法的检测性能。当目标检测可以扩张到精准检测出图像中极小的小目标时即为小目标检测,其作为目标检测的一个衍生邻域,长期以来都是一个未被有效攻破的难点。由于其可在到军事领域、自动驾驶、人脸支付、医学领域、天网系统、人机交互、城市监控和智能交通等诸多领域发挥着重要作用,具有广泛的应用前景。小目标通常表现为在整个图像或视频中占比非常小,同时外观信息相对稀缺,则很难将其从相似的目标或杂乱的背景中检测出。此外,小目标检测在现实生活生产中的应用场景是错综复杂的,常常会伴随着目标遮挡、背景杂乱、目标尺度变化、背景模糊和光照剧烈变化等问题。其严重地影响了小目标的特征提取,同时也进一步加大了检测小目标的难度。尽管目前目标检测的研究已经可以投入实际应用,但由于小目标在图像中像素信息匮乏,以及在该领域缺少专用数据集,因此当下对小目标检测的研究仍需努力。在目前提出的多个提高小目标检测准确度的办法中,当提高输入图片的分辨率时,增加小目标的像素信息,但是同时增加了计算资源消耗,导致检测效率降低;此外采用多尺度特征融合提高小目标检测准确度的方法,不能保证所构造的特征具有可区分性和可交互性。同样的,使用深度学习各种技术融合到小目标检测中,虽然当网络加深可以提取更具有代表性,更抽象的特征,但也会丢失小目标的位置信息。同时我们在翻阅众多优秀的研究成果中发现它们的显著检测性能差距很大,可见,小目标检测的研究仍然是一个即吸引研究者又充满挑战的研究领域。由于对小目标检测的研究有其重要的研究意义和实际应用价值,则本文致力于优化小目标的特征提取模块,提高小目标检测综合性能的算法。提出以下几点解决方案:（1）本文提出了基于特征融合的Faster Rcnn小目标检测FRRSnet网络模型,其将Faster Rcnn网络中的Res Ne St特征提取模块提取到的深层特征和浅层特征进行特征融合,得到具有内部数据结构和空间层级化信息的强特征。并且在卷积层引入空洞卷积的方法,使得在有限的计算资源下提高感受野的同时不会降低小目标的分辨率,由此增强Faster Rcnn网络模型的特征表达能力,从而提高算法对小目标的检测准确性。（2）本文又提出基于卷积注意力机制的Faster Rcnn网络,简称为FRcbam网络。卷积注意力机制包含了空间注意力机制和通道注意力机制,其中空间卷积注意力机制可以保留更多与目标定位相关的信息,提高对物体的定位准确率,通道卷积注意力机制可以针对物体的相关特征信息,提高对目标的分类准确率。（3）本文在实验部分使用通用数据集PASCAL VOC和交通标志检测数据集数据集Tsinghua-Tencent100K进行训练评估了模型的泛化能力,检测其在通用目标领域的效果的同时,也对模型的专有性能进行验证,并使用当下流行的小目标检测算法做算法对比,通过大量的实时结果分析,展现了本文所提算法在基准Faster RCNN的基础上取得了优异的检测性能。