如今，计算机视觉技术在日常生活和工程领域的应用越来越广泛。其中，基于深度学习的目标检测任务经过多年发展，已在自然图像的大中型目标检测任务中取得令人满意的成绩，但针对小目标检测任务表现欠佳。与此同时，随着遥感技术的进步，遥感图像在环境监测、国防安全等领域的先天优势变得越来越明显，遥感图像也在更多领域得到应用，而遥感图像中存在大量的小目标。因此，众多实际任务都对小目标检测提出了更高要求，对相关小目标检测技术的研究颇具实际意义。

当前基于深度学习的小目标检测研究难点主要在于小目标特征稀少难以提取；小目标多以密集分布的情况出现，加剧了目标检测的难度；小目标数据集不足，特别是遥感小目标数据集匮乏，无法针对性的训练模型，而自然图像与遥感图像存在语义鸿沟，大量在自然图像中预训练的模型在遥感图像中无法达到最佳性能。

综上所述，针对当前研究短板以及实际需求，本文以遥感小目标检测为主要研究内容，重点关注10像素-20像素的小目标。主要工作概述如下：

1.针对遥感小目标数据集匮乏问题，自建了一个遥感飞机小目标检测数据集，其样本复杂多样，具有良好的适用性。所有目标实例经过人工标注和反复校对，为后续研究提供了数据支撑。

2.针对小目标特征难以提取的问题，提出了一种多尺度特征自适应加权融合的框架：通过网络学习的方式进行不同尺度特征间的加权融合。该框架充分利用了特征图每一维度的信息以及它们对于最终融合特征图的贡献程度，进而得到信息表达更充分、更完善的特征图，帮助神经网络提取并学习更多小目标的特征。

3.在前述工作的基础上，提出了一种轻量化的基于多尺度特征融合的遥感图像小目标检测方法。与当前主流检测算法相比，该方法的模型参数量大幅度降低，可以做到实时目标检测。同时，小目标检测准确率也大幅领先其他算法，可以满足部分遥感场景小目标检测的实际工程需求。

4.针对密集排布的小目标定位不准且漏检严重的问题，提出了一种基于注意力引导的多尺度上下文信息融合小目标检测算法。通过提取目标周围的上下文信息辅助网络对小目标的判断，同时通过注意力机制引导网络专注学习目标自身轮廓以及内部特征信息，减少周围同类目标对自身特征学习的影响。有效提升了小目标检测的精度。