目标检测是计算机视觉领域的重要研究方向之一,广泛应用于工业生产中。在检测任务中,对于一张输入图片,检测算法通过学习来区分图片的前景和背景,然后从背景中分离出感兴趣的目标物体,进而判断物体所在的具体位置和所属类别。然而由于小物体面积小分辨率低,使得对于小目标的检测精度不能达到理想的效果。针对小目标检测的问题,本文基于SSD（Single Shot Multi Box Detector）模型做出改进,通过多尺度跨层融合、注意力机制、通道分组融合和更有效的非极大值抑制算法,实现了更高精度的目标检测算法。本文主要的研究内容如下:（1）基础网络模型通过主干网络提取特征信息,得到六个不同尺度大小的特征图,在此基础上,本文通过跨层连接来融合两个不同尺度特征图的信息,获得更丰富的特征。低层特征分辨率高,包含更多位置、细节信息,但是由于经过的卷积较少,其语义性更低,噪声更多。而高层特征具有更强的语义信息,但是分辨率很低,对细节的感知能力较差。本文通过研究多种现有的多尺度特征融合方式,提出了跨层融合的方法,实现了特征层之间更有效的信息交互。（2）本文根据注意力机制的特点,在跨层融合后对通道进行加权,使网络模型更多地关注包含物体的关键通道,而忽略对检测效果影响较小的通道。由于图像中的每个像素点对检测结果的重要程度不同,从而本文引入了注意力机制,对不同的通道根据重要程度进行加权,提升了图像有效区域的特征提取效果。（3）本文研究了感受野对目标检测性能的影响。经过多次卷积操作之后,每一层特征图上的像素点对应的输入图像的区域大小不同,即感受野大小不同。感受野越大,输出层上的像素点包含的全局信息越多。不同于之前的目标检测算法,利用扩张卷积来增大感受野,本文利用最新通道分组融合的方法,在不增加计算复杂度的情况下获得感受野更大的包含更多信息的特征。此外,在检测部分用Soft-NMS代替NMS来缓解漏检问题从而提升检测算法的召回率。实验证明,本文所提出的目标检测算法充分利用了图像信息,获取了更好的特征,实现了更高的检测精度和召回率。