小目标检测与人类生活相关联,其在各个领域都起着重要的作用,比如:在民事方面,无人机对森林火灾中的生物目标检测;在军事方面,基于遥感卫星图像对我国领域内的地面目标检测;在工业方面,仪器工件上的小缺陷检测等等。随着深度学习的不断发展以及计算机视觉系统的成熟与完善,小目标检测已经成为了各研究者探讨钻研的一项重要任务。因此,小目标检测具有重要的研究价值。本文从小目标检测的研究以及应用出发,以提高其检测精度为目的,研究小目标检测实用算法,并针对项目进行算法设计,主要研究内容如下:提出一种基于感受野融合特征金字塔的小目标检测方法。首先,针对小目标所需感受野与语义空间不匹配的问题,提出由三条空洞卷积支路并联而成的感受野融合模块,兼顾大感受野与细节信息;其次,将感受野融合模块嵌入特征金字塔中,使网络学习到更多上下文信息;最后对感受野融合的特征金字塔进行实验,在WIDER FACE数据集上,平均精度、召回率可达到85.30%以及96.71%,相较于特征金字塔网络,分别提高了7.79%以及8.29%;在MS COCO数据集上,平均精度均值、召回率以及F1 Score可达到50.94%、72.74%、59.32%,相较于特征金字塔网络,分别提高了20.54%、21.72%以及27.41%;在自建的烟草甲虫小目标数据集上,平均精度、召回率可达到90.30%、96.24%,相较于特征金字塔网络,分别提高了2.71%以及2.23%。提出一种基于椭圆特征金字塔的烟草甲虫检测方法。首先,针对烟草甲虫小目标的外观特征,提出椭圆特征提取模块;其次,对Faster R-CNN网络框架进行改进,在特征金字塔的基础上,将深、浅层特征图融合,使深层特征图能够获取烟草甲虫在图片中的位置信息,提高烟草甲虫小目标的检测精度;最后,将椭圆特征提取模块融入改进后的Faster R-CNN网络,为深层特征图补充烟草甲虫的外观细节特征。在自建的烟草甲虫小目标数据集上,平均精度、召回率可达到91.15%、98.82%,与传统的Faster R-CNN算法相比,分别提高了12.19%和14.29%,与基于感受野融合特征金字塔的小目标检测方法相比,分别提高了1.15%、2.58%。烟草甲虫智能监测平台设计与实现。从应用的角度出发,以本文所提算法为基础,设计搭建烟草甲虫智能监测平台。其具有烟草甲虫检测、检测结果展示、核查检测结果等各种功能。整个系统功能丰富,操作简单,交互性强,可极大提高工作人员效率。