硅藻是一种重要且分布广泛的单细胞藻类浮游植物,对硅藻的种类和含量进行检测可以为法医检验的溺水诊断提供可靠的依据。最早的硅藻检测研究是基于传统的实验室检查方法,利用硅藻在脏器组织中能够承受强酸等极端环境的细胞结构特性,使用化学消解等方法清除其他物质以保留硅藻细胞。随着计算机技术的快速发展以及算力的提高,科学家开始把研究方向转向借助计算机辅助的硅藻检测方法。通过手工提取硅藻细胞的形状、纹理等特征,利用支持向量机（Support Vector Machine,SVM）和决策树等分类器对其进行分类识别。伴随着深度神经网络在计算机视觉领域大放异彩,科学家借助深度神经网络的强大特征提取能力,实现自动提取特征以及自动识别,获得了较高的检测精度。然而,在基于深度神经网络的硅藻检测方法中,高精度检测硅藻往往需要大量的监督信息,即已标注的硅藻图像样本。硅藻图像的获取过程复杂,同时受到溺水案件性质的限制,硅藻图像的获取往往比较困难。而且,硅藻图像的标注工作也需要耗费大量的时间和人力。因此,对于法医检验中的溺水诊断场景来说,仅使用少量的硅藻图像样本即可训练得到一个较高检测精度的硅藻检测模型有助于加快案件的诊断速度,具有十分重大的意义。为了实现目标检测模型具有训练样本量少、检测精度高的特点,以减少硅藻图像获取和标注等预处理操作的时间和人力成本,本文提出面向小样本的复杂背景下常见硅藻图像检测。其中包括以下几个方面:（1）分析了硅藻检测和小样本目标检测的研究背景和意义,并对硅藻检测和小样本目标检测的研究现状进行了讨论。硅藻检测可为法医在溺水诊断时提供辅助作用。通过分析硅藻检测方法的发展过程,针对硅藻图像获取困难的问题,得出硅藻检测追求训练样本量少且检测精度高的研究方向。小样本目标检测正是以该方向为研究背景的。通过分析小样本目标检测的现有工作,可以看到把小样本目标检测应用到硅藻检测任务中具备可行性。因此,本文提出面向小样本的复杂背景下常见硅藻检测。（2）针对在硅藻训练样本量少的条件下,小样本硅藻检测模型对硅藻图像的特征提取不充分的问题,提出引入无大小归一化策略的多头自注意力机制对模型特征提取骨干网络Res Net-101进行改进,并称其为NSN-Bo TNet-101（Non-Size Normalization Bo TNet-101）。首先,基于Res Net-101引入多头自注意力机制,构造一个能够充分利用硅藻图像的局部和全局信息的特征提取骨干网络Bo TNet-101。然后,针对多头自注意力机制只能处理单一尺寸特征图的问题,提出在多头自注意力模块处引入无大小归一化策略,构造一个能够处理不同尺寸特征图的特征提取骨干网络NSN-Bo TNet-101,以提取更加丰富的图像特征。（3）提出融合无大小归一化策略的多头自注意力机制NSNMHSA（Non-Size Normalization Multi-Head Self-Attention）和在线难例挖掘策略OHEM（Online Hard Example Mining）的小样本硅藻检测模型。基于两阶段微调方法TFA（Two-stage Fine-tuning Approach）,以NSN-Bo TNet-101为特征提取骨干网,在模型预测器中引入OHEM,形成小样本硅藻检测模型NMSOFDD（NSNMHSA and OHEM Few-shot Diatom Detection）,以解决硅藻图像背景复杂且存在硅藻目标遮挡而导致检测精度低的问题。而且根据小样本硅藻检测的具体情况,对模型训练方案进行改进。（4）通过对小样本硅藻检测模型进行纵向比较的消融实验和横向比较的对比实验分析,实验结果表明,以平均准确率精度（m AP）作为评价指标,与TFA相比,分别加入NSNMHSA和OHEM模块提高了1.47个百分点和3.12个百分点,同时融合两者提高了5.89个百分点,验证了NSNMHSA和OHEM模块分别对TFA都具有精度提升的效果,同时融合两者的检测效果更优。与其他小样本目标检测模型相比,NMSOFDD的m AP达到了69.60%。与基于元学习的方法Meta R-CNN和FSIW相比,分别提高了8个百分点和8.7个百分点;与基于度量学习的方法De FRCN相比提高了4.96个百分点;与基于迁移学习的方法MPSR和FSCE相比,分别提高了8.69个百分点和8.34个百分点,验证了本文所提解决方案在综合检测性能上表现更优。