分类、定位、检测、分割是计算机视觉领域最核心的任务。近年来,卷积神经网络（CNNs）技术取得了瞩目的成就,促进了目标检测技术飞速发展,越来越成为人类生活的便捷工具,在智能安防、智慧医疗、自动驾驶等领域广泛应用。尽管基于深度学习的目标检测取得长足进步,但在检测不同大小的物体存在相当大的性能差异。小目标物体由于自身尺度问题,存在被遮挡,特征不明显等问题,导致小目标难以检测。因此,小目标检测的研究也逐渐成为目标检测领域最热门的方向之一。尤其在现实生活中,检测小目标物体具有实际意义。为了解决小目标检测中存在的问题,并与实际应用相结合。本文从特征生成、特征提取、特征融合三个方面,以目标检测Baseline网络Faster R-CNN算法为基础改进了特征提取和特征融合网络,提出了新的检测算法Res2AMSRNet,并使用公开数据集MS COCO2017进行对比实验,证明了网络模型良好的性能,最后将所设计的网络模型应用到监控图像下的手机（小目标）检测中。本文的主要工作如下:1.本文基于分层多尺度提取特征的方法提出了一种新的特征提取网络,其融合了多尺度、上下文信息以及全局空间注意力的思想。该网络从更细粒度的角度来表示多尺度特征,通过叠加的卷积层以及上下文捕获结构来增加网络层的感受野范围,从而提升小目标特征获取的能力。全局空间上下文注意力方法则是为网络提取特征时给与空间全局位置信息更多关注。在MS COCO 2017数据集上的实验结果表明,本文提出的结合上下文捕获与空间全局注意力方法的Res2AMNet网络相比于主流的特征提取网络在APs（Average Precision Small）指标上提升了大约1%～7%。2.为了更好地融合特征,本文在FPN的基础上,结合感受野扩大、超分辨率、局部位置注意力等方法,设计了一种新的超分辨率特征金字塔网络（SRFPN）,实现在不损失特征图分辨率的情况下,获得了更大的感受野、更丰富的特征以及更精确的局部位置信息。同时,本文分析了MS COCO 2017数据集的目标分布情况,针对图像中小目标数量与特征较少的问题,通过数据增强等方法有效增加了小目标的样本数量,丰富了目标检测网络提取到的小目标特征,进一步提升了小目标检测的精度。在MS COCO 2017数据集上的实验结果表明,本文结合了Res2AMNet骨干网络、SRFPN特征融合网络与数据增强方法的目标检测网络（Res2AMSRNet）在APs指标上达到了25.9%。3.从实际应用角度出发,本文提出两个针对手机检测的数据集,其中一个作为手机检测的挑战数据集（MP 2020）,另一个数据集是则是只针对监控图像中手机的数据集（MPUM）,主要是用来测试方法的性能。本文将结合了Res2AMNet、SRFPN的Faster R-CNN网络命名为Res2AMSRNet。为了证明本文网络的优越性,在公开数据集与本文提出的数据集上,与目前主流的目标检测方法进行了大量对比试验。同时为了解决监控图像中手机检测数据匮乏与分布的问题,本文提出结合了迁移学习,主要针对监控图像中手机检测结合域适应迁移的方法,并与预训练模型微调的迁移方法进行了对比试验,证明了本文提出的域适应方法的有效性。