伴随着大数据的积累和算力的不断发展,深度学习从理论的平原向高坡迈进,并对计算机视觉领域产生了深远影响。作为计算机视觉的基本课题之一,目标检测在引入深度学习后已经大幅度超过传统机器学习方法的速度和准确度。但是在应用到实际场景时,目前最先进的目标检测方法对于小目标的检测能力仍然较差。考虑到自动驾驶,无人机巡航,机器人巡航等实际涉及安全的场景下,及时准确的检测小目标是确保安全的关键,小目标检测已然成为目标检测技术在诸多领域应用的关键难点。针对小目标检测存在的特征衰减,类别失衡,定位偏差等难点,本文系统性地从显式和隐式两个角度总结当前小目标检测研究现状,在此之上依次递进式地提出相应的解决方案。从显式角度,本文提出使用级联自适应深度反馈结构的两阶段小目标检测方法,称为级联自适应深度反馈网络（Cascade Adaptive Deep Feedback Network,CADFNet）。在特征融合阶段,为了尽可能避免特征衰减,CADFNet使用自适应深度反馈金字塔网络自适应反馈增强融合特征。在采样策略上,使用基于Io U的平衡的采样策略筛选高质量的区域提议,提高检测精度。同时为了保证小目标的特征不会因为池化计算丢失,将特征截取阶段的Ro IPooling操作使用Ro IAlign操作替代,通过双线性插值优化了特征截取过程中的特征计算损失。在级联训练阶段,使用级联反馈的方式进一步提升训练效率。在损失函数的优化上,为了解决小目标对于定位偏差的敏感,本文将回归任务中常用的Smooth l1函数替换为CIo U损失函数。同时为了解决分类和回归多任务训练时训练速度不一致,造成性能下降的问题,使用数据驱动的方式,采用自适应权重子网络自适应学习分类和回归损失函数的权重。最后在后处理优化上使用基于DIo U的NMS算法进一步减少了网络的漏检。更进一步,为了解决基于显式角度的小目标检测方法在速度和精度无法得到很好平衡的问题。从隐式角度,本文提出多向上下文融合的单阶段小目标检测方法,称为多向上下文融合网络（Multi-directional Context Fusion Network,MCFN）。为了探索不同上下文信息对于网络的影响,MCFN使用单阶段方法YOLOv3作为基本架构。在此架构上,为了融合局部上下文信息。MCFN提出了局部感受野增强结构用于融合和解耦局部上下文信息;同时为了挖掘目标之间的局部上下文关联,提出上下文关系矩阵,融合目标先验知识。在融合全局上下文中,MCFN使用了自适应扩张卷积结构,逐层自适应融合上下文信息。最后为了实现有效的上下文交互,MCFN基于Transformer构建了一个上下文交互模块,用于有效增强视觉表征。在Tsinghua-Tencent-100k和MS COCO两个基准数据集上的实验表明,本文提出的两阶段网络CADFNet可以有效增强小目标特征,提升小目标检测能力,与其它类似的目标检测方法相比具有较高的竞争力。从隐式角度,本文提出的MCFN不仅有效提升了YOLOv3的检测能力,并且相较于其它作为对比的检测方法,在速度和精度上取得了更好的平衡,并且有更好的小目标检测能力。