随着深度学习在计算机视觉领域的发展,医学图像目标检测已成为热点研究课题之一。结核病(TB)已经被列为全球十大主要死亡原因之一,但是传统的结核杆菌人工筛查方法工作量大,漏检率高,往往依赖于临床医生的主观判断。由于在痰涂片图像中存在背景复杂,结核杆菌目标小等一系列问题,结核杆菌目标检测是一项困难的挑战。针对上诉问题,本文提出一种基于改进SSD(Single Shot multibox Detector)网络的结核杆菌小目标检测算法。通过将自动对焦扫描获得的原始痰涂片图像,输入改进的SSD网络,完成结核杆菌目标识别与定位。本文主要工作如下:(1)基于对结核杆菌目标检测难点进行分析,选取SSD网络作为结核杆菌目标检测算法,并分别对SSD网络结构和损失函数进行改进。针对SSD网络对于小目标检测效果不佳的问题,提出基于SSP-Net(Spatial Pyramid Pooling Net)的改进SSD算法,命名为SE-SSD。将低层特征与高层特征相结合对SSD结构进行改进,提高结核杆菌小目标检测效率。通过对结核杆菌目标检测数据集进行训练和测试,SE-SSD的m AP(Mean Average Precision)值达到78.7%。相较于SSD网络提高了2.3%。(2)针对训练集中存在正样本和负样本数量不均的情况,导致定位不准确,分类效果不理想的问题。本文引入Focal loss损失函数对SSD损失函数进行改进,命名为SEF-SSD。让网络更注重训练正样本及困难样本。通过对结核杆菌图像进行训练和测试,SEF-SSD的m AP检测率达79.8%,相较ssd算法提高了3.4%。本文选取SSD算法作为结核杆菌目标检测算法。为了提高结核杆菌小目标检测效果,本文提出了基于特征融合和Focal loss的SSD改进算法SEF-SSD。实验结果表明,该改进算法对结核杆菌目标检测有一定的参考价值。