目前,目标检测算法与技术已经在智能机器人视觉和障碍物检测、智能车牌检测、智能人脸检测以及网络图像监控的物体检测等方面得到初步应用,并成为了计算机视觉领域重要且热门的研究课题。近年来人们把深度学习方法引入到目标检测算法中,期望获得更高的检测准确度,但目前基于深度学习的目标检测算法需要在大量带有标签信息的数据集上进行训练,而现实中获取大规模带有标签信息的数据比较困难,因此如何利用小样本数据来学习并训练具有一定泛化能力的模型是目前目标检测领域一个需要解决的难题。本文对小样本目标检测算法进行了深入研究,主要完成的工作如下:（1）针对小样本目标检测问题,将目标检测方法faster-RCNN与小样本学习中基于迁移学习的微调方法进行结合,构建两阶段的小样本目标检测网络结构。其中,第一阶段是利用含有大量基类样本的数据集对整个网络进行训练;第二阶段利用第一阶段得到的参数对整个网络进行初始化,使用含有少量样本数的基类和新类对模型进行微调。（2）针对在小样本目标检测中,样本信息不足,对小目标检测效果差问题,本文引入特征金字塔结构,提出深浅特征融合的小样本目标检测算法。通过分析faster-RCNN网络结构各层的特点和金字塔结构的特点,构建特征融合结构。该算法通过将样本图像的深层特征和浅层特征进行融合,充分利用浅层特征的高分辨率特点和深层特征的高语义特点,提高样本的表征能力。实验结果证明,该方法能有效提高了小样本目标检测中小目标检测的准确度。（3）针对在小样本目标检测中,难易样本数量不均衡问题,提出对算法中的分类损失函数的改进思路,引入Focal loss损失函数,构建整个小样本目标检测损失函数。在不改变难易样本比例的前提下,通过调节因子调整难易样本损失对整体分类损失的贡献,放大难样本对分类损失贡献的有用信息,缩小易样本对分类损失贡献的无用信息,从而更好地指导整个模型的训练。实验结果证明,该方法有效提高了小样本目标检测的准确度。