近年来,深度学习为计算机视觉算法的飞速发展奠定了稳固的基础,基于深度神经网络的目标检测算法渐渐被应用在人们生产生活的方方面面。然而,随着技术的发展,目标检测算法的研究也从充足数据、强监督的场景逐渐转移到了类别长尾分布的小样本场景。因此,如何利用极少量的数据实现高精度的目标检测,成为了近年来国内外的研究热点。然而,在没有足够数据的情况下,深度神经网络容易出现难收敛、过拟合以及泛化性能差等问题;并且由于某些类别对应的样本数量极少,样本的尺度变化会对最终的检测结果带来很大影响;以及在不同类别的样本数量分布极不均衡的情况下,数据量极少的类别容易在网络训练中被其他类别所产生的负面梯度所淹没,导致最终的检测精度低。针对上述问题,本论文研究并实现了基于元学习及迁移学习的小样本目标检测算法。首先,本论文提出了基于元学习的小样本目标检测算法。该算法使用单阶段无锚框的目标检测模型Center Net为基础的检测模型,基于元学习的思想,重新构建了目标检测范式,实现了小样本场景下的目标检测。具体地,该算法针对小样本场景下样本尺度分布不均的问题,提出了尺度弱敏感特征提取模块,使得模型可以更准确的提取样本不同尺度的特征,显著提升了少量样本类别的检测精度。另外,为了更有效的提取和融合支撑集中的元知识,提出了交互式全局语义特征处理模块,可以提取到支撑集的全局语义特征用于提升检测精度。最后,还提出了逐像素损失Pixel Loss,用于增强模型的小目标检测能力。在高性能服务器和边缘运算设备上的实验结果表明,本论文提出的算法不仅检测精度优于主流的小样本元学习目标检测算法,并且在边缘运算设备上还具有更快的检测速度和更低的显存占用。接下来,本论文提出了基于迁移学习的小样本目标检测算法。该算法针对两阶段目标检测模型在小样本场景下存在的区域建议框数量分布不均问题进行了深入研究,并针对网络训练的不同阶段提出了对应的策略。在网络的预训练阶段,由于新类对应的样本极少,导致其在训练过程中很容易受到基类（具有充足训练样本的类别）产生的大量负面梯度的影响,这些负面梯度使得网络在预测新类时倾向于输出较低的置信度,从而很难得到较高的新类检测精度。本论文通过改进目标检测模型分类模块的损失函数来降低基类产生的负面梯度对新类的影响,进而提升新类的检测精度。在网络的微调阶段,通过对不同类别的区域建议框数量的对比,我们发现,基类的区域建议框数量在整个训练过程中都大大超过新类,而这是导致新类检测精度难以提升的主要原因。为了提升新类的区域建议框数量,本论文对两阶段目标检测模型中的RPN（Region Proposal Networks）结构进行重新设计,增加了精细化分支（Refinement Branch）来帮助网络筛选出更多属于新类的区域建议框,显著提升了新类的检测精度。实验结果表明,本论文提出的算法可以提升新类的区域建议框数量,与主流小样本目标检测算法Fs Det相比,在PASCAL VOC数据集上的新类检测准确率高出1～6%。本论文研究并实现的基于深度学习的小样本目标检测算法可以用于智能工业缺陷检测任务,并且对于计算机视觉应用中常见的长尾、小样本检测场景也有着重要的理论意义和实用价值。