小样本目标检测旨在仅有少量带标签的训练集图像的条件下,从查询集新类图像中检测到指定目标。目前小样本目标检测任务大多基于迁移学习模型,将大样本图像元特征信息迁移至小样本图像,实现小样本目标检测,其难点在于充分利用图像中的细节特征信息。注意力机制可以自适应地增强对图像前景目标区域的感知,本文通过引入注意力机制模块解决上述难点,提升小样本目标检测性能。本文分别设计了基于注意力机制和元特征二次重加权的改进的元特征迁移模型,以及基于自适应注意力机制和LM Softmax（Large Margin Softmax）的改进的稠密网络模型。并在中国古代丝绸图像数据集上验证了本文所设计的小样本目标检测模型的性能。具体工作如下:一、针对小样本目标检测中缺乏关注图像细节特征信息的问题,本文基于注意力机制和元特征二次重加权机制,提出改进的元特征迁移模型。在元特征迁移模型中引入基于CBAM（Convolution Block Attention Module,卷积块注意力模块）网络的注意力机制,使特征提取网络聚焦图像中的目标区域,关注图像目标类别的细节特征,提升模型对小样本图像目标的检测性能。其次引入基于SE（Squeeze and Excitaton）的SE-SMFR（Squeeze and Excitation-duple Meta Feature Reweighting,元特征二次重加权）模块,对大样本图像元特征二次重加权,获取二次重加权元特征,使模型在提升小样本目标检测性能的同时减少大样本图像元特征信息的权重偏移。实验结果表明,相比于原始元特征迁移模型,改进后的模型在通用数据集PASCAL VOC数据集上针对小样本图像m AP（mean Average Accuracy,平均检测准确率）为41.9%,增长约5%,针对大样本图像m AP提升约2%。二、针对小样本目标检测中缺乏关注小样本图像特征信息机制的问题,本文基于自适应注意力机制和LM Softmax损失函数,提出改进的DC-NET/ATT（Dense Relation Distillation with Context-aware Aggregation and Adaptive Attention Network,稠密网络）模型。设计自适应注意力机制,结合大样本图像调整模型对于小样本图像中目标的关注区域,使模型关注小样本图像目标本身的特征信息;考虑到图像类别增多时,模型分类性能会受到影响,采用LM Softmax损失函数改善模型分类效果,提升模型分类性能。实验表明,本文所提改进后的小样本目标检测模型在PASCAL VOC数据集上针对小样本图像的m AP为50.8%,与原始稠密网络模型相比增长约6%;在MS COCO数据集上针对小样本图像的m AP为13.1%,增长约2%。三、为验证上述小样本目标检测模型在真实场景中的性能,本文应用Label Img工具制作古代丝绸图像数据集及其标签文件,采用数据增强的方式扩充数据并结合PASCAL VOC数据集进行训练,分别采用本文所设计的两个基于注意力机制小样本目标检测模型对古代丝绸图像中的动物图案进行目标检测。实验结果表明,本文所提的基于注意力机制的小样本目标检测模型能够关注到丝绸图像中动物图案的细节特征;与近期基于迁移学习的小样本目标检测模型相比,针对古代丝绸图像数据集中动物图案的检测任务具有较好的检测性能。