目标检测在自动驾驶、安防视频监控等领域有着广泛的应用,是计算机视觉的一个重要研究方向和研究热点。近年来,随着深度学习的不断发展,以卷积神经网络（Convolutional Neural Network,CNN）为基础的目标检测方法逐渐取代了传统目标检测方法,成为当前这一领域研究的主流。然而,这种目标检测方法,通常依赖于大量标注的训练样本,在现实应用中,获取海量标注样本并不容易,往往需要长期的积累或高昂的成本,很大程度上限制了此类目标检测方法的应用。一些研究者提出了基于小样本学习的目标检测方法,试图通过少量标注样本,训练得到一个泛化性能较好的目标检测模型,但由于样本数量匮乏,类内样本多样性较差,从有限的数据中获得满足要求的目标检测模型是一个难点问题。深度度量学习作为一种距离学习方法,可以获取不同数据的特征空间分布关系,进而衡量各个样本之间的相似性。为了适应小样本场景下类内数据多样性较差的复杂问题,深度度量学习在有限的样本中提取了大量的特征分布关系,在对这些分布关系进行有效学习之后,不仅可以准确区分异类样本间的差异,同时,还可以提取同类样本中可转移的类内形变。本文提出了基于小样本度量自主学习的目标检测方法,通过构建可提取多尺度特征的深度度量网络,来衡量目标区域与示例的相似性;在此基础上,提出了模型细化策略,通过近似示例的自主挖掘,来进一步扩充训练样本,对度量模型进行多次细化迭代训练,不断地积累和发现新知识,进而提升度量模型的泛化能力。本文创新点可以简要概述为以下四个方面:（1）为了丰富特征表示,提出了一种基于SPP特征金字塔池化的深度度量网络。该网络可以提取不同尺度示例的视觉特征,并固定池化层的输出,在此基础上融合“支撑”网络和“查询”网络提取的示例全局特征,进一步提升特征表达的丰富性和鲁棒性。（2）为了同步进行样本扩充与模型的细化训练,提出了一种模型自主学习策略。该策略根据目标区域与示例样本的相似程度,在图像中自主挖掘中心示例的邻近区域,使模型在细化过程中逐步发现对象的隐式视觉信息,从而不断减少小样本示例与中心示例的差距。（3）为了弱化极端示例样本的影响,使选取的中心示例更具代表性,提出了一种基于区域置信度表达的示例查询方法。在分类过程中,该方法通过衡量图像区域与每类示例样本的平均相似度,得到区域的类别置信度表示,将分类问题转化为比较图像区域与各类示例中心的距离问题。（4）在对比损失的基础上,改进了损失函数,除了引入最大间隔控制以外,还在损失函数的基础上引入正则化惩罚项构成结构风险函数,以控制不同特征变换的非一致性所带来的影响。将本文所提方法在PASCAL VOC2007、PASCAL VOC2012等数据集上进行了验证实验。在弱化标签信息限制的目标检测中,算法表现良好,证明了基于小样本度量自主学习方法在目标检测中的有效性,较大程度上摆脱了样本数量的限制,具有一定的应用价值。