近年来,目标识别算法在深度学习领域取得了巨大的突破,相较于传统算法,在识别准确率和效率上都有了极大的提升。目前图像领域的目标识别算法已经应用到了诸多领域中,例如机器人视觉、电子支付、智能安防、车辆辅助驾驶、基于内容的图像检索、增强现实等。当前常见的目标识别算法都需要大量标注的图像样本进行训练,但在某些领域获得大量图像样本需要巨大成本,故本文围绕小样本目标识别中图像分类和目标检测算法中可能存在的问题进行优化改进。本文的主要研究工作和内容如下:1、针对小样本图像分类任务,本文基于原型网络算法进行了优化改进。针对特征提取优化问题,本文提出一种多尺度特征提取方法和深度可分离注意力算法模块优化了小样本学习过程中对多尺度特征以及上下文信息的整合能力,为后续图像分类网络提供更好的特征表达。针对样本噪声干扰问题,本文在原型网络基础上提出MMD加权算法对不同样本特征生成的原型进行加权,降低了噪声样本的影响权重。实验表明,在专业小样本数据集上改进算法分类精度优于与多种对比算法。2、针对小样本数据集上传统目标检测算法精度较低的问题,本文设计了基于跨图像特征融合的检测算法,又称CIF-FSOD,其主体结构是基于两阶段的目标检测算法Faster R-CNN。针对RPN容易忽略新类特征信息的问题,引入跨图像特征融合机制,使用支持集的向量进行对查询集向量进行加权,用于突显查询集图像中的新目标的特征信息。针对RPN中容易漏失高IOU的候选框的问题,通过并联多个分类器改进RPN网络,生成更加准确的候选框。针对特征聚合的缺陷,提出基于排序的特征聚合方式,过滤掉某些与支持集相似度较低的ROI特征向量,并将查询集特征和支持集特征做空间对齐后送入后续分类模块中。最后在PASCAL VOC数据集上设计了多组消融实验和对比实验,验证了各模块优化提升效果以及整体检测算法的有效性。3、实现了嵌入式系统下小样本检测的算法落地。该系统将CIF-FSOD模型运行在NX嵌入式平台上,并将检测结果通过PC端测试系统实时显示。在嵌入式平台上针对运行效率对算法进行优化和改进,研究小样本目标检测算法的实用价值与应用前景。