随着深度学习技术的发展和GPU算力的提高,目标检测在农业、工业等各领域得到广泛应用。无人驾驶、工业缺陷检测等实际检测场景中会存在大量小目标,但小目标尺寸小、所占像素少,不易检测,一直是目标检测领域的难点。本文选择基于深度学习的SSD(Single Shot Multibox Detector)模型为基础模型,以提高SSD模型小目标检测效果为研究目的,从网络结构、样本均衡、感受野三个角度对SSD模型进行改进。本文主要工作及创新点如下:(1)针对SSD模型对小目标特征提取能力不足的问题,从网络结构角度出发,提出基于级联FPN和ASE模块的SSD改进算法。首先利用级联FPN模块对不同层特征图进行特征融合,生成两个特征金字塔,然后利用ASE模块将这两个金字塔进行合并,并通过学习的方式获取特征图不同通道之间的重要性,给不同通道赋予不同的权重。通过实验验证,在SSD模型中加入级联FPN和ASE模块,解决了SSD模型对小目标特征提取能力不足的问题。(2)针对数据本身以及SSD模型训练过程中存在的样本不均衡问题,在基于级联FPN和ASE模块的SSD改进算法的基础上,提出小目标数据增强、阶段性IOU阈值、改进版Focal Loss三种样本均衡方法。利用小目标数据增强方法,解决数据集中小目标样本数量以及包含小目标的图片数量远小于大、中目标的问题。利用阶段性IOU阈值法,为不同大小的先验框设置不同的IOU阈值,适当降低小目标先验框的筛选条件,增加通过筛选的小目标先验框数量,解决训练过程中的样本不均衡问题。改进版Focal Loss依据先验框大小在损失函数中加入动态权重,提高小目标在模型训练过程中的偏置,从侧面解决样本不均衡问题。通过实验验证,三种样本均衡方法都在不同程度上提高了小目标的检测效果,并且三种方法之间不存在互斥性。(3)针对小目标本身特征辨识度低的问题,从感受野角度出发,在基于级联FPN和ASE模块的SSD改进算法中插入RFB模块。利用RFB模块中的多尺度空洞卷积融合不同感受野下的小目标特征,丰富小目标的上下文信息。根据RFB模块不同的插入位置和数量,设计了多组对比实验,通过实验验证,模型插入RFB模块后可以增强小目标特征的辨识度,提高小目标的检测效果,插入位置和数量不同,小目标检测效果的提高程度也会不同。