图像目标检测是计算机视觉领域的一个基础任务,主要用于自动识别和定位图像中的特定目标,是许多人工智能技术的基础,有极其重要的军用民用价值。近年来,基于深度学习的目标检测方法取得了飞速的发展,也成功应用于一些工业场景。但是,可靠性不足、计算量过高、泛化能力差等问题大大限制了目标检测算法的应用范围。本文以大规模公开的数据集中的目标为对象,对图像目标检测算法展开了研究。研究工作包括三个部分:（1）总结了目标检测领域的发展历史和发展现状,指出了该领域未来可能的发展方向。阐述了主流目标检测算法的过程,介绍了选用的数据集,说明了目标检测算法的评价体系。（2）提出了一种单阶段目标检测器SSD的优化方案。针对SSD的缺陷,采取了两种优化措施。第一,在原算法的基础上,提出了具有三个分支的网络结构,用于解决数据集中的数据不均衡带来的训练问题。同时,采用了分尺度的训练方法来适应多分支的网络结构。这种网络结构可以更充分地拟合不同尺度的目标。第二,引入特征融合模块来解决底层特征图上语义信息不足的问题。该模块可以有效地利用高层语义信息来提升小目标的检测性能。本文通过实验对改进算法进行评估,并说明了优化方案的有效性。（3）提出了一种小样本目标检测算法的框架,该框架由目标检测子网络和小样本分类子网络组成。在构建检测子网络时,本文采用了广义类别的训练方法,使得网络可以提取不同类别目标间共性特征,从而更好地检测未见类别;还引入了锚点框k均值聚类方法,用于生成新数据集上合适的锚点框尺寸。在构建分类子网络时,本文通过数据预处理模块,去除了图像冗余信息,提升了距离度量的准确性。实验时,本文先分别训练和测试两个子网络,获得了良好的实验结果;随后,将子网络进行融合,构建了端到端的检测框架,并通过端到端的测试实验说明本文方案的优越性。实验结果表明,相较于基准方法,本文提出的方法在性能上有所提升,具有一定的参考价值。