深度学习模型在目标检测任务中取得了巨大的成功主要是因为深度神经网络可以从数据中学习更高级、更深层次的特征。然而深度学习模型严重依赖于大量的带标签数据,但人工数据标注费时费力、价格昂贵,并且在某些应用领域本来就没有足够的数据积累。深度学习分支下的小样本学习希望模型在学习了基类的大量带标签数据后,对于新类,只需要少量的带标签样本就能快速学习。因此,本文拟采用小样本学习思想,提出高效鲁棒的目标检测方法。具体研究如下:（1）基于微调的小样本目标检测模型首先使用大量带标签的基类数据训练一个检测器,然后固定模型中的特征提取器,使用少量的K个带标签的新类样本对分类器和回归器进行微调。由于微调阶段带标签样本的数量少,容易造成过拟合的问题。针对上述问题,在Wang等人提出的模型的基础上,本文提出了一种基于K-组合均值的特征增强模块,具体做法是利用第一阶段训练好的特征提取器获取K个目标的特征,将这K个特征取C Km（1≤m≤K）的组合,为每个组合求其平均特征,并添加到每类的特征样本集合中,在微调阶段使用数量增多后的增强特征样本集对分类器进行微调。实验结果证明了该方法的有效性。（2）基于度量学习的小样本目标检测模型的输入是查询-目标图像对,输出是目标图像中与查询图像相似的区域。模型在基类上训练时,查询图像与目标图像的标签都是已知的,训练的目的是学习查询图像和目标图像之间的相似性度量,与类别无关,然后在测试阶段直接将学习到的度量用到新类数据集上。由于目标图像背景丰富,并包含多类前景对象,导致算法对于存在相互关系的类别容易产生错检的结果。针对该问题,本文提出了一种基于目标互换的数据增强策略。具体做法是,在基类上训练时,将目标图像中与查询图像属于同一类的目标互换,生成新的查询-目标图像对作为输入。实验结果证明通过这种策略为度量模块的学习提供了更具有多样性的对比样本,提升了在新类和基类上的检测精度。（3）由于基于度量学习的小样本目标检测算法只关注查询图像与目标图像之间的相似区域,导致该类算法对于外观相似的不同类目标和外观差异较大的同类目标检测精度差。针对该问题,本文提出了一种基于语义特征的特征对齐网络。具体做法为,将查询图对应的类别语义名称作为知识,计算对应的词向量作为语义特征,并与查询图的图像特征进行融合。实验结果表明该方法引入的语义信息是可行的,提升了在基类和新类上的检测精度。