近年来，随着深度学习的快速发展，基于深度学习的目标检测算法也得到了大力的推进，很多优秀的目标检测框架也争相涌现。但现有的大部分目标检测算法都依赖于大规模的标注数据集来保证检测的正确率，而在许多实际场景中，大量标注数据的获取往往是十分困难的，且耗费人力物力，极大地限制了目标检测方法的实际应用与落地推广。针对这一问题，越来越多的研究者开始将少样本学习方法和目标检测算法相结合，由此构建在少样本情况下进行目标检测的少样本目标检测技术。少样本目标检测旨在通过对少量的标注数据的训练从而对图像中的目标进行分类和定位，弥补了目前目标检测算法的不足，是十分具有研究价值的。本文通过分析现有的一些少样本目标检测算法，针对其存在的一些问题和为了取得更好的检测效果，提出了新的少样本目标检测方法。

一方面立足于充分利用已有的先验信息，提出了基于多注意力机制和余弦Softmax损失的少样本目标检测方法。该方法基于经典的目标检测框架Faster RCNN进行改进。首先将图像特征送入CBAM(Convolution Block Attention Module, 卷积块注意力模块)生成注意力图，并将注意力图与图像特征相乘以进行特征优化，再将优化的特征送入结合了注意力机制思想的Attention-RPN(Region Proposal Network, 区域候选网络)，由此构建了基于多注意力机制的CBAM-Attention-RPN，能够有效地过滤掉背景框和无关类别的候选框；然后采用全局-局部关系检测器，利用全局关系和局部关系两种关系将支持图像特征和查询图像特征进一步特征关联，从而获取与目标类别更相关的候选框；最后使用基于余弦Softmax损失的分类器作为检测的分类分支，其有利于降低类内方差，提高新类的检测精度。针对此方法，在MS COCO数据集上设计了相关实验，用于有效性验证。实验结果表明，该方法AP50达到了21.9，与已有的一些少样本目标检测算法相比在精度上有了一定的提高。

另一方面立足于度量学习，对损失函数进行改进，提出了基于负边距损失的少样本目标检测方法。在度量学习领域中，常规将边距设置为零或正值，有利于增加学习到的训练特征的判别性，而负边距损失则与之相反，将边距值设置为负值，虽然降低了对训练类别的可区分性，但是有效地避免了将新类同一类别的特征错误地映射到多个峰值或簇，提高了少样本目标检测对新类的检测性能。首先采用大规模数据集和基于负边距损失的目标检测框架训练得到具有良好泛化性能的模型，之后通过少量具有标签的目标类别的样本对模型进行微调，最后采用微调后的模型对目标类别的新样本进行目标检测，该方法能够实现通过对少量样本的学习就能对目标进行检测。针对此方法，使用MS COCO、PASCAL VOC等数据集，设计了相关实验对其检测效果进行了验证，并与现有的一些少样本目标检测算法进行了比较，均取得了较优的结果。

少样本目标检测算法，可以降低实际场景中对数据的需求，并且减少数据标注的工作量，极大节省了人力物力财力，同时也可以促进目标检测算法在实际应用中的落地和推广，具有重要的研究价值和现实意义。