近年来,计算机视觉研究领域越来越受到关注,其中分类任务、检测任务以及分割任务更是计算机视觉中的重点研究方向。随着深度学习技术的发展,目标检测模型的精度虽在不断提高,但是作为监督学习来说,其需要大量带标注训练样本的本质并没有改变。在实际场景中,训练出一个特定的目标检测模型需要大量的标注样本,而某些特定目标类别图像的获取具有一定难度。小样本学习致力于缓解该类问题,并且在图像分类任务中已具有一些研究成果。但是对于更难的目标检测任务来说,小样本学习还处于一个起步阶段,模型的精度和泛化能力都有待提升,需要后续复杂的处理技术和算法。因此,小样本目标检测是一项极具挑战性的任务。为了探究小样本目标检测任务的难点,本文基于“基类数据”和“新类数据”,研究小样本目标检测算法并改进模型,提高模型对于只提供少量样本的新类别目标的检测效果。以下是本文的研究内容:首先,在特征处理阶段,设计了大小自适应的全局特征注意力模块SGFA和支持集注意力模块SSA。SGFA能够分别在支持集和查询集分支上利用全局特征信息实现对不同大小特征的加权,提高模型在缺失样本条件下对重点特征的关注度。SSA通过提取支持集图像的类别特征来控制模型在检测过程中对特定类别目标的检测,使模型将检测的重心放在所给定的类别上。本文利用此结构来提高目标检测模型对只提供了少量标注样本的新类别目标的检测效果。其次,在最终检测阶段,设计出了“关系检测器”用来替代常规目标检测中的分类器。该关系检测器通过比较候选框特征和支持集类别特征的相似程度来实现分类,且可以在不改变结构的情况下实现不同类别数的N-way K-shot检测。该关系检测器使用简单的全连接结构,从全局、局部以及深度匹配模式中学习类别特征和候选框特征间的相似性。最后,为了验证各模块的有效性,本文在不同数据集上,通过设置不同数量的可利用新类别样本来进行实验探究,展示其在N-way K-shot小样本目标检测任务中的检测结果,且和相关研究者进行了对比分析。本文模型相比其他同类模型,在m AP指标以及大部分类别的AP指标上略优于其他方法。