随着深度学习理论的迅速发展,以及计算机硬件水平的升级,基于深度学习的通用目标检测方法研究取得重大进展,涌现出众多代表算法:YOLO、Faster RCNN和Center Net等,应用领域广泛。然而当通用的目标检测算法运用到小目标检测领域时,存在网络结构冗余、小目标检测精度较低、密集小目标漏检等现象。综合考虑实际目标检测场景中准确性和实时性的要求,本文对经典的单阶段目标检测算法YOLOv4进行研究,并针对上述问题进行改进。自制小目标数据集,并在其上进行试验。首先,针对YOLOv4在小目标检测任务中的网络冗余问题,对网络结构进行简化,将网络中针对大目标的特征提取、特征融合和预测分支进行剪枝,提出一种剪枝版的YOLOv4网络结构,改进后的网络模型网络层数减少,参数量约为原来的四分之一。经实验证明,剪枝后的网络结构可以在小目标数据集上达到和YOLOv4网络结构相近的检测性能。然后,针对小目标检测精度低和密集小目标的漏检问题,对剪枝后网络的特征融合模块进行改进,向特征融合模块中引入浅层网络提取的特征信息,加强对小目标特征信息的运用,并加入对应尺度的预测分支。经实验证明,改进后的多尺度特征提取网络可以提升对小目标的检测精度,且漏检现象得到改善。最后,针对非平衡数据集中,卷积神经网络学习到的信息不均衡问题,对损失函数进行优化。向损失函数中引入类别权重因子,对不同类别的目标采以不同程度的惩罚强度,以减少数据分布不均衡对模型的影响。经实验证明,采用基于类别权重的优化损失函数可以提升对数据量占比少的目标类别的检测精度,算法总体检测性能得到提升。