目前,以深度学习为代表的目标检测算法,如:You only look once（YOLO）、Single Shot Multi Box Detector（SSD）等单阶段的目标检测算法已体现出的较高的检测率和稳定的检测效果,但是,此类检测算法在一些特定的小目标检测应用中,如车站广场人群密集的人脸目标、航站楼远处的飞鸟目标等,由于这些目标相对和绝对的大小都非常小,传统的检测算法针对这些小目标的检测率只有普通目标的一半。因为检测率低、误检率高的问题,传统检测方法无法达满足这些应用场景需求。针对该问题,本文提出了一种基于图像增强方法的小目标检测技术,用于解决此类机场场景的小目标检测准确率低的问题,其研究的主要内容和贡献为以下三点:（1）在小目标样本中,由于目标与图像比例较小,无法直接用于检测,因此需要对样本数据进行变换处理。采用图像分块来提高小目标比例并保留小目标的信息,用于解决目标与原图像比例较小的问题。（2）在采集的小目标样本数据中,大部分目标较小且模糊,无法直接用于目标检测算法的训练,需要对其进行增强处理。提出一种基于Super-Resolution Using a Generative Adversarial Network（SRGAN）增强小目标分辨率的方法,用于提升小目标分辨率和增强其特征、上下文信息。（3）采用图像分块和SRGAN是为了增强样本中小目标的特征,使算法更容易检测小目标,增强的效果依赖于合适的分块比例和SRAGN倍率参数。提出一种评估图像增强最优参数的方法,主要采用图像质量评估和归一化的目标检测效率来评估图像增强的效果,获取图像增强的最优参数。本文所提的方法对机场的飞鸟检测进行了实验,小目标检测的平均准确率和平均精度（AP）为90.26%和67.75%,与传统的YOLO v4以及直接引入Context信息的机场飞鸟小目标检测相比,准确率和平均精度分别提升了15.70%和16.12%。