随着深度学习领域取得巨大的进步,在很多任务上都取得了巨大的成功,越来越多的相关应用逐步进入到我们的日常生活中。但是深度网络需要大量的标注数据才能达到理想的性能,当使用者提出新的检测类别需求的时候,深度模型难以仅靠少量的新数据学习到新概念。在很多的应用场景下,收集大量的且有标签的数据是非常困难和昂贵的。有些数据可能本身就比较罕见或者由于隐私保护难以大量的采集。除此之外,数据的标注也与要大量的人力。这些缺点严重地限制了深度学习算法部署到应用中。所以研究如何通过少量数据得到优秀的模型有非常大的社会价值与经济价值。为了解决这个难题出现了小样本学习的概念。但目前大部分小样本学习的应用聚焦在图像分类任务上而非目标检测任务。目标检测相较于图像分类任务更加依赖数量大且类别之间数量平衡的数据,且目标检测任务的数据标注也更加繁琐与昂贵。本文旨在进行小样本的目标检测任务（FSOD）的研究,并对目前存在的方法进行改进与评估。本文首先在双分支元学习结构的基础上进行了探索。通过结合自注意力机制和非局部注意力机制,提出了一个特征融合模块。让支持集图片能更好的增强查询集图片中的特征。除此之外,为了能够结合多尺度的信息的同时又不增加网络的参数数量,进行了多尺度的ROI池化。该模型的表现在双分支元学习结构中优秀。然后本文又在单分支迁移学习结构的基础上进行了探索。通过分别对RPN部分和分类器部分在损失函数上进行修改来获得更具表征力的小样本特征。在RPN部分,通过设置了一种不对称的正负样本损失函数,抑制简单样本对损失的影响,改善了新类别检测框相较于基础类别在数量和质量上处于劣势的情况。在分类器中新增了对比学习分支,降低了一些类别之间特征的相似性,优化了部分分类错误的情况。最后实验部分证明了对比学习的可行性。