近年来随着深度学习技术在检测任务中的快速发展,基于深度学习的目标检测技术已经广泛应用于人类的生活中,如监控安全、自动驾驶、智能医疗等。但是大型场景中小目标的检测一直是目标检测中的一个难题,其检测效果远不如常规目标。小目标检测技术可以应用到摄像头的精准监测和探测重要军事目标的状态等,对民用生活和军用发展都具有重大意义。本文从特征提取和多尺度特征融合的角度对YOLOv4算法进行改进,实验结果证明本文设计的算法成功地提高了小目标的检测效果,主要创新点和工作如下:（1）对深度学习技术和基于深度学习的目标检测算法进行研究,选择YOLOv4作为基础算法进行改进。通过在特征提取网络中引入注意力机制模块,在特征图中引入全局信息,增加小目标特征的学习权重,提高小目标的特征表征能力。通过实验对比改进后算法将平均检测精度从90.2%提高到92.2%。（2）为解决小目标尺寸和原始算法中锚框尺寸不匹配的问题,本文使用K-means++算法对数据集进行聚类,重新设计数据集小目标的锚框,并依据小目标定义,通过分析小目标尺寸分布比例和聚类中心对小目标尺寸范围做精细的划分。锚框的设计可以有效地提高网络训练的收敛速度,对于小目标的检测,提高了0.7%的平均检测精度1.2%的召回率。（3）为解决小目标在深色背景下的漏检问题,本文提出通过扩张感受野和增加多尺度特征融合检测层对算法做进一步的改进。通过引入空洞卷积来扩张特征图感受野可以提取上下文信息,增强小目标的特征信息。增加一个高尺度特征图融合检测层,使得检测时的特征图融合更多低层次的小目标特征信息,可以提高小目标的检测效果。最后通过消融试验证明了本文提出的各个改进模块对小目标检测效果提升的有效性。实验结果证明本文提出的YOLOv4-N算法对小目标的检测在平均检测精度和召回率分别提升了4.9%和6.7%。