小样本目标检测是指通过少量的标注样本的训练来对图像中的目标进行分类和定位。目前主流的目标检测算法都是基于大量的数据标注,而在很多实际场景之中大量的数据获取和数据标注往往非常困难,所以基于小样本的目标检测技术有着十分重要的应用价值,得到了越来越多研究者的关注。本文将结合小样本学习的方法,使用深度学习对小样本目标检测技术进行研究。本文针对当前小样本目标检测算法存在的一些问题,提出了新的解决方案。为了解决生成候选框阶段目标类别与非目标的其他类别难以区分的问题以及后续细分类效果较差的问题,设计了一种基于注意力机制和特征表示度量学习的小样本目标检测模型,模型利用注意力机制将目标类别的信息引入到RPN中,设计了Embedding模块和基于度量学习的类别判定方法。为了解决模型在新类别上的泛化性能差,训练容易过拟合和数据尺度丰富性不够的问题,设计了基于迁移学习和权重初始化的小样本目标检测网络,模型使用了多尺度融合策略和数据增强策略,设计了一种基于任务通用性的初始化权重训练方法,设计了基于迁移学习的知识迁移正则化和背景抑制正则化方法。本文在数据集MS COCO和Image Net进行了实验的验证。Image Net测试集上,在AP₅₀指标上本文的方法和SOTA的方法相比提升了1.3%,在FSOD数据集上训练的模型在AP₅₀/AP₇₅指标上比MS COCO上微调的模型提升0.2%/6.4%,而进行微调的基于FSOD数据的模型在AP₅₀/AP₇₅指标上提升了2.6%/2.7%。在MS COCO测试集上,训练的模型比经典的Meta R-CNN领先了一大步,在AP/AP₅₀/AP₇₅指标上分别领先5.2%/8.1%/5.7%,而在FSOD数据集训练的结果有着更进一步的提升,在AP/AP₅₀/AP₇₅指标上分别提升7.4%/11.7%/8.7%。通过小样本目标检测算法的研究,可以极大地减少实际场景中数据采集和高质量数据标注的工作量,极大地促进目标检测算法在各个场景下的落地和推广,具有重要的现实意义。