随着深度学习和计算机视觉的迅速发展,目标分类、分割、检测技术已经在计算机辅助诊断领域广泛应用。目标检测作为图像理解中的重要步骤,主要任务是从图像中勾画所有感兴趣的区域,确定它们的位置和大小,是机器视觉领域的核心问题之一。而对于医学影像感兴趣的目标区域相较于整个影像往往尺寸较小,并伴有一些特定的形态学特征,因此针对图像的小目标检测方法对于医学图像病灶检测非常有意义。目前计算机辅助诊断(CAD)技术在面对一些癌症诊断和早期筛查时已经扮演十分重要的角色。然而针对复杂的病灶特征,缺乏足够的高质量的标签数据,如何更有效的提取到准确的目标特征,并利用这些经筛选高维特征进行自动的定位、检测、分类,是当前医学图像和机器学习面临的重大挑战。本文就以上问题,提出了小目标检测的两种不同检测思路分别基于目标像素点判断和基于目标区域的端对端识别,并通过LIDC-IDRI数据库中的肺结节公开数据衡量检测效果,本文主要工作如下:1)由于目前基于深度学习方法的小目标检测(以肺结节为例),通常灵敏性较高,但存在进行提取特征的训练时间冗长,假阳性率较高,对于5mm以下结节检测效果差等问题,因此提出了图像高维特征抽取抽取方法,用于像素点分类识别,基于泰勒展式理论和卷积运算下的高斯迭代高阶求导方法,通过对像素点的分类可以更精确地捕捉到小目标的位置并分类,这种直接求解大大的加速了特征选取的训练过程,并经过图像高维映射和分类检测证明了该方法的有效性,选取不同的目标尺度范围,根据分类抽取主要特征,通过分类特征与每个像素点之间的欧氏距离判断像素点属于正负类别。2)针对现有技术对肺结节漏检率高,过小目标检测困难等问题。通过研究当前基于卷积神经网络的肺结节检测方案,提出一种基于YOLO V3的端对端区域检测方案,在此过程中优化了特征提取网络,由于检测目标在图像上尺度与自然图像检测的尺度差异较大,重新将尺度进行聚类。将原有的三层YOLO检测层检测九个尺度改为两层,检测六个目标尺度,并调整上采样倍数。并调整损失函数中预测锚框部分的损失计算进行了修改,将原有高、宽的变化值计算改为损失变化率。综上所述,本文就图像小目标检测提出了像素点分类和目标区域识别两种方法做了深入的研究和分析。主要创新点—是提出了基于高斯多阶导数的图像快速特征提取,与小目标的分类识别,方法简单有效,同时它支持少量样本学习,在特征提取时不需要长时间的迭代优化。二是利用YOLO V3的方法并简化其结构,实现了基于深度学习的小目标检测,实现了YOLO V3在肺结节检测中的应用。基于YOLO算法的区域识别方法可以做到端对端检测,但在GPU加速情况下可以做到实时检测,并且整体结果好于像素点检测的方法,但需要多层卷积长时间的计算。