基于小样本学习的目标检测方法,旨在使用少量带标签的数据使目标检测模型获得较好的检测效果。本文主要在基于特征重加权的小样本目标检测方法（Few-shot object detection via feature reweighting,FODFR）之上展开工作,FODFR是将元学习小样本学习方法与YOLOv2目标检测模型相结合的小样本目标检测方法。本文在FODFR的基础上充分利用类别标签之间的语义关联性,并充分挖掘图像中的信息以提升仅有少量带标签样本的目标检测效果。主要工作如下:（1）提出一种基于空间位置信息和特征重加权的小样本目标检测方法。针对FODFR在进行特征重加权时,仅对特征的通道维度进行调整,忽略了目标空间信息的问题,本方法利用包含空间位置信息的元特征对特征进行空间维度的调整,增强目标区域特征的判别性。其次,针对FODFR的特征提取器在将浅层特征融合到深层特征时,存在浅层特征的目标完整性被破坏的问题,本方法利用多个不同尺度的浅层特征,使用卷积和池化操作改变浅层特征的尺寸,然后将其融合到深层特征中,保留了浅层特征的目标完整性。通过在PASCAL VOC数据集上进行消融实验表明本方法的有效性,通过对比实验表明本方法优于原始的FODFR方法,在10 shot条件下,mAP提升了1.7%。（2）FODFR在学习基类和新类的元特征时,针对没有充分利用基类和新类类别的关联性,导致新类的元特征表达能力较差的问题,提出一种基于标签语义和特征重加权的小样本目标检测方法,本方法先使用类别标签的语义信息计算出基类和新类类别之间的关联性,然后根据基类和新类之间的关联程度,使用图卷积网络将基类的元特征传递给新类的元特征,使在只有少量新类数据的情况下学习到较好的新类元特征。通过与FODFR等方法的对比实验表明,本方法提升了新类目标的检测效果,在10shot条件下相比FODFR方法,mAP提升了0.5%。（3）针对FODFR中由于新类样本少,有监督信息不足而导致检测精度低的问题,提出一种基于Transformer和特征重加权的小样本目标检测方法,本方法设计了一种新的位置编码方法,将二维图像特征切块并转换为一维序列的形式,然后利用Transformer模型的自注意力机制充分挖掘图像自身所包含的信息,进而赋予各个特征块不同的注意力,突出样本特征中关键性区域,从而增强特征的判别性,提升检测效果。通过在PASCAL VOC数据集上的对比实验表明,本方法优于FODFR方法,在10shot条件下,mAP提升了1.9%。