目标检测任务是计算机领域中的一个重要研究分支,涉及的应用领域也十分广泛,例如,医疗影像、智能交通安全等。以智能交通安全领域为例,通过在街道各个角落安装高清摄像头,实时获取街道行驶车辆的交通轨迹,以便及时提醒驾驶人遵守交通规则,避免车祸的发生。目标检测技术已成为生活实际场景中的重要工具。目前,基于深度学习的YOLO目标检测算法系列中,YOLOv4算法在单个GPU上就可完成训练,而且使目标检测的速度和精度达到了一个相对平衡的状态。其中,它在YOLOv3算法的基础上融合了近年来优化卷积网络模型的算法思想:在主干部分采用CSPDarknet-53加强特征提取,增加SPP池化层扩大感受野,引入PANet来增强特征融合等。在YOLOv4目标检测模型中,小目标的检测精度与中和大尺度的目标相比,依然存在较大差距。因此,本文将当前流行的YOLOv4多尺度的目标检测算法模型经过进一步研究,移植并应用到小尺度的目标上,从而提升小目标的检测能力,具体的研究工作主要如下:（1）为了提高小目标的定位准确性,采用K-means++代替K-means聚类算法的方法,重新对无人机下VEDAI数据集聚类分析,来获取更适合小目标数据集的锚点框。（2）为了增强小目标的特征提取性能,提出了一种基于RFBNet的改进算法模型为RFB＿I。将SPP池化层替换为RFB＿I感受野模块,通过RFB＿I模块嵌入该网络模型中颈部的不同位置来查看增强小目标浅层特征的能力变化。（3）为了降低小目标的漏检率,提出了一种基于CBAM的YOLOv4改进算法。将全连接层使用一维卷积层代替,并将CBAM中注意力机制串行连接方式改为并行连接方式,并选择在YOLOv4特征融合网络的最后三个分支处各增加了一个CBAM模块。为了验证改进网络模型的有效性,选择从其他目标检测模型和公开数据集两个方面进行证明:一方面,将改进的网络模型与其他的目标检测模型做对比实验,通过不同模型对同一数据集VEDAI的训练预测,证明了YOLOv4的改进模型的MAP值最高;另一方面,将改进的网络模型与原YOLOv4在常用的公开数据集PASCAL VOC上训练、预测对比得出,提出改进的目标检测模型在MAP上提升了2.27%的准确率。因此,提出的目标检测模型对小目标的检测具有一定的有效性。