目标检测技术是计算机视觉中的重要领域,在生物检测与工业检测中具有大量应用价值,并且它是场景理解与目标跟踪等高水平任务的基础。随着深度卷积神经网络的兴起,目标检测技术的检测能力已取得巨大提升。但是基于深度学习的目标检测技术依赖于大量标注样本,然而在某些应用场景下,例如军事领域中,图像样本的获取以及标注均需要较高代价,部分类别样本量不足的情况时常出现。因此,关于小样本场景下目标检测技术的研究对这些领域有重要价值。现有的小样本目标检测技术主要从基础类别的训练数据中训练模型,并通过模型微调的方式将学习到的知识迁移到新类别中。这种方式会使得模型在微调过程中偏向于提取基础类别相关特征,忽略新类别中具有特异性的特征。针对上述问题,本文提出面向小样本目标检测任务的自适应特征重构算法。本算法旨在引入场景知识以及语义知识对基础类别偏移方向进行自适应约束,使其在保证基础类别检测性能的前提下,缓解由特征偏移引起的新类别实例的表示问题。本文主要研究内容如下:1.针对基于迁移学习的方法存在的预训练与微调阶段数据量不对称导致的特征提取差异的问题,本文构建了基础类别特征偏移缓解模型。具体地,在预训练阶段,以实例特征融合的形式保存基础类别实例中具有代表性的特征,以此获取基础类别的特征偏移方向。在微调阶段,以固定的参数缓解由特征偏移带来的影响,重构实例特征,为新类别相关实例获取更好的表示。2.为了进一步实现不同图像实例对于特征重构力度的不同需求,本文构建了基于场景特征的自适应约束模型,在基础类别特征偏移缓解模型的基础上引入自适应机制。具体地,通过场景特征与类别语义向量为每个实例独立计算偏移缓解权重,进而对各个实例的特征重构力度进行自适应调整。3.在PASCAL VOC和MS COCO两个经典数据集上,针对小样本目标检测任务,对本文所提算法进行验证。实验结果表明,本文模型在以上数据集中可以取得较好的效果,在多种任务下,普遍提高了小样本目标检测精度,同时能够保证对于基础类别相关实例也可以具有较好的检测效果。