近几年随着深度学习算法的深入研究,特别是在人脸识别和智能驾驶等领域落地,深度学习算法及其应用已逐渐成为现实生活中不可或缺的一部分。在保证一定检测速度的条件下,神经网络如何能够做到在特定场境内,精准地识别多个尺寸变化较大的单类或多类物体,是近年神经网络架构设计中的主要任务。因此,基于SSD神经网络的小目标识别算法也已经成为当前的研究热点之一。本文针对传统SSD网络在检测识别小尺寸目标时准确度较差的缺陷,并且为了进一步提升网络的识别性能,首先提出了基于“Squeeze-and-Excitation”模块的SSD网络(SE-SSD)。作为目前流行的方法,增加单层特征图的数量或提升网络架构深度可以有效地提高深度网络的性能。而本文通过引入SE模块,并分析如何有效地使用和优化SE模块来改善SSD的性能。与增加卷积网络架构深度的传统方法相比,本文所提出的架构显式地对特征通道之间的非线性关系进行建模,并选择性地强调或抑制不同通道的特征信息,有效地提高网络性能。在SE-SSD网络架构的基础上,本文进一步提出两种小目标识别优化方法:基于特征金字塔网络(FPN)的SE-SSD优化网络和基于数据集增强的小目标识别策略。前者通过参考FPN特征提取网络的架构,对SE-SSD中参与分类预测的特征图进行多层特征融合。该方法在丰富小目标特征的上下文环境信息的同时,实现了特征信息的上下游双向传递,进而提升SE-SSD网络的小目标识别能力。后者则从数据集角度入手,分析并验证主流数据集MS COCO和Pascal VOC中不同大小的已标定目标之间,在目标的总数量和单目标匹配框数量上存在明显差距。由此本文采用图像过采样和目标粘贴-复制两种方式实现数据集增强,并对小目标如何有效粘贴进行分析讨论。该方法使得模型可以权衡大小目标的检测质量。本文的实验结果均在主流数据集上进行测试评估:基于SE-SSD的特征融合网络在VOC2007和MS COCO2014数据集上分别获得78.9 mAP和28.5 mAP,同时相比SSD网络小目标识别精度提升了37%;基于数据集增强的SE-SSD则在VOC2007数据集上获得78.8 mAP并在保证模型57.3 fps运算速度的同时,将小目标识别精度从33.7 mAP提升到35.6 mAP。