随着人工智能技术的迅速发展,基于卷积神经网络的深度学习算法在目标检测领域取得了突破性进展,而这种成功主要归功于大规模数据集的运用。现实世界中,诸如医学图像、濒危动物等领域对大规模数据的获取十分困难,且大规模数据的标注工作也是十分消耗资源的。因此这种从有限样本中学习检测目标的能力正是计算机视觉所需要的。本文对有限样本场景下的目标检测算法进行深入的研究,提出基于元学习的两阶段目标检测方法用于有限样本场景,主要研究内容与贡献如下:（1）通用目标检测在大规模数据集上训练,会获得具有较好检测效果的检测器,然而在有限的样本上训练时,检测效果会变差,并且对目标物体的类别判断错误多于目标物体的定位错误。为此,本文引入边标记图的方法,即在有限的样本条件下构建边标记图以增强类与类之间的关系。通过实验表明,该算法可以提升通用目标检测在有限样本下的表现,证明图的方式能够提供有效的类间信息传递。（2）当前有限样本下的目标检测方法都在支撑分支上独立地预测每个类的类原型,缺少类间的信息传递。本文提出一种基于图卷积的类关系推理方法,该方法以两阶段目标检测框架为基础,将类关系推理嵌入到支撑分支上,以最大限度的挖掘各类之间的关系,并为分类提供更多的判别信息。该算法与主流算法在不同的类别划分、不同样本数量的情况下进行全面的对比,验证了该算法在有限样本下检测的有效性和鲁棒性。（3）数据的稀缺性仍然是影响检测器从有限样本中泛化的瓶颈,数据有限时,目标对象的检测性能下降严重,主流方法在训练样本数量为1的性能不到5或10的性能的一半。因此,本文提出将知识迁移融入到类关系推理中,对先验的知识进行迁移,并进行多模态特征的融合,利用融合后的增强特征进行基于图卷积的类关系推理。实验表明,融入知识迁移的类关系推理可以提升目标检测算法在极少量样本场景下的检测性能,突破视觉特征提供信息有限的瓶颈。本文提出的有限样本下基于图卷积的目标检测方法,在不同场景设定下进行实验与比较,均实现效果的提升,最高提升达14.8%;与最新方法相比,部分情况达到目前最先进水平,最高提升2.4%,其余情况下的结果也具有一定竞争力。本文方法将为少样本目标检测研究带来新的思路,让目标检测技术具有更广泛的应用价值。