近年来,随着数据量的增加和计算机计算能力的提升,基于深度学习的目标检测算法取得了重大突破。但是深度学习模型的性能依赖大量的训练数据,对于训练数据样本量很小的目标检测任务,使用参数量较大的网络来解决它容易出现过拟合现象。另一方面,目标检测对于不包含在训练样本中的类别,在其数据量很小的情况下并没有很好的检测效果。针对这两个问题,本文提出了单样本目标检测优化算法,主要研究内容及创新点如下:1)将注意力机制应用在目标检测模型中,对于目前应用在很多网络中的特征金字塔模块,论文提出了基于通道注意力机制的特征融合模块(Feature Fusion Module,FFM),更好地融合了高层和低层特征。同时在设计新的特征金字塔时,考虑到低层特征的语义信息较弱,所以为较低的特征层设计了一种新的特征增强模块(Feature Enhancement Module,FEM)。实际使用时,将这两个模块嵌入到目标检测模型中,在公开数据集VOC和COCO上进行了大量的对比实验,验证了特征融合模块和特征增强模块的有效性。2)提出了基于单样本的目标检测模型,即给定一张只包含某个物体的模板图像,该模型可以根据这张模板图像在测试图片中找到所属同一类别的其他物体的位置,使模型在类别未知的测试集上有很好的泛化能力。同时将新设计的特征融合模块融合进该模型中,在多个尺度的特征图上进行检测。实验结果证明本文提出的模型明显提高了单样本目标检测算法的准确率。3)针对单样本目标检测网络会将背景判断为物体输出的问题,提出了假阳例过滤模型(Positive Filter,PF),以后处理的方式对输出结果做进一步的筛选,有效地减少了模型输出的假阳例数量,提高模型性能。