目标检测是计算机视觉领域较为热门的研究方向,是计算机视觉中最基本、最具有挑战性的问题之一,受到广泛关注。而小目标检测又是目标检测方向中的热点和难点。目标检测网络感受野较小,无法获取足够的目标特征,且低层特征缺乏抽象的语义信息,不利于物体的准确定位;在现有模型中,人工设计框体存在密集采样、大小固定的缺点,不利于小物体的回归检测。本文基于SSD模型针对小目标检测问题提出改进算法,主要工作如下:（1）提出一种增大网络感受野和融合不同层次特征的目标检测算法。为改善深度模型对特征信息的提取能力,本文采用RFB模块增大网络的感受野,并利用RFB模块的多分支结构获得混合的感受野;同时,为解决低层神经网络无法准确刻画高层语义信息的问题,在充分分析Softmax函数概率分布特点的基础上,本文利用掩码预测分支进行高层语义信息与低层位置信息的融合,提高了神经网络的特征表达能力。（2）提出一种基于热力图和自适应框体的目标检测算法。本文首先利用热力图结合SSD特征金字塔结构的方法,确定物体的中心位置;然后,基于神经网络提供的尺度预测值,利用分类器初步确定物体的框体尺寸;最后,利用回归策略优化框体尺寸,进一步提高目标检测精度。（3）实现了基于量化模型的目标检测。为了验证模型的实用性和实时性,选用树莓派作为深度学习的硬件平台,同时以Tensor Flow Lite作为深度学习的软件平台。实验结果表明,本文实现的基于改进SSD模型的小目标检测算法可有效、实时检测特定目标。