随着深度学习技术的发展,硬件技术的不断提升,基于深度卷积神经网络的目标检测算法逐渐取代传统的目标检测算法。深度卷积神经网络具有很强的特征提取能力,并且具有很好的延展性,泛化能力很强。尤其是在图像领域,卷积结构具有多种感受野以及一定空间上的不变性,很适合提取图像上的特征。目前,基于深度卷积神经网络的目标检测算法已经比较成熟,应用广泛,创造了很大的价值。本文将会对传统目标检测算法进行叙述,并对基于卷积神经网络的目标检测算法进行深度探讨。本文基于SSD算法框架提出了多种改进型算法,重点关注单阶段目标检测算法对小目标检测精度不高的问题,采用多种方案提升对小目标的检测准确率,并保持对大目标的检测准确率。本文主要研究内容及创新点如下:引入浅层特征与深层特征相融合的思想,让具有丰富细节信息的浅层特征参与到最后的预测过程,提高小目标的检测精度;改进预测分支,对每一个预测分支进行改进,深度挖掘特征信息,改进小目标的特征质量,提高预测的准确率;引入Inception风格的卷积,拓宽每一层卷积的水平维度,每一层扩充了更多的特征信息,尤其是小目标,贡献了更多的特征信息;同时引入了空洞卷积,很好的引入了上下文信息,提升了小目标的检测准确率;改进原始SSD算法中的损失函数MultiBoxLoss,解决样本不均衡的问题,提升对小目标的检测精度。本文提出的基于SSD的小目标检测改进算法在公有数据集上取得了很好地检测结果,超越了 Faster RCNN、SSD、DSSD等算法,并且保持了很好的实时性,可适用于对精度和速度都有较高要求的场景。并且,本文提出的改进算法具有很强的迁移性,各个改进模块可以单独应用于其他目标检测算法,具有很强的通用性。