目标检测作为计算机视觉领域中最为核心的任务之一,是研究其他视觉任务的基础。由于深度学习能够提取多种复杂的特征,在目标检测中得到广泛的应用。基于深度学习的目标检测在一些工业生活中得到应用,如无人驾驶、智能交通、医疗诊断等。虽然基于深度学习的目标检测得到广泛的应用,但是还是存在着一些问题,如检测率低、精准度低和识别率低。为了解决小目标检测中存在的问题,本文基于FCOS(Fully Convolutional One-Stage Object Detection)算法的基础上提出了两种改进算法,分别是回归策略的改进和特征融合网络的改进,提出了新的检测算法CFCOS(Cascade FCOS)。首先,本文深入分析了FCOS的优缺点,针对小目标检测精度低的问题,提出了一种改进的回归方法。该方法继承了FCOS算法的思想,不再使用单一的网格的中心点来预测目标,而是结合网格的顶点一起来预测目标。在网络预测的后处理过程中,也相应的增加了针对网格顶点预测结果的后处理过程来得到最终的检测框,同时在损失函数计算中也增加对网格顶点的损失计算。该方法很大程度上减少了小目标的漏检,以及能够适应更多尺度的目标。然后,在FCOS中的特征融合网络中,由于对顶层的特征图过度的下采样和只有自顶向下的融合路径导致了抽象信息和细节信息之间的不平衡。本文针对这一问题提出了新颖的的特征融合方法,在自顶向下的基础上增加一个自底向上的融合路径,该路径有助于平衡抽象和细节信息。之后为了进一步融合不同尺度特征图的信息,采用将特征融合网络进行级联的方法来增加融合程度,这种特征融合网络能够提高对小目标的分类和定位能力。最后,本文通过在目标检测数据集MSCOCO上进行实验,采用分解和整体相结合的实验方法。在回归策略改进的实验中,本文提出的改进方法在小目标上的平均准确率要比未改进的方法高出1.1%;在多尺度特征融合实验中,本文提出的改进方法要比原方法在小目标上的平均准确率高出1.6%;将两种改进方法结合即为本文所提出的CFCOS,该方法要比FCOS在小目标上的平均准确率高出3.8%。综上,可以说明本文提出的方法在小目标检测的效果上有着不错的提升。