小目标检测是目标检测领域亟待突破的难点之一。近年来,随着深度学习的不断发展,国内外学者们基于网络结构、训练策略、数据增强等多个方面提出了一系列增加小目标检测精度的方法,但小目标的检测精度却依然难以令人满意。为了解决这一问题,本文将基于生成对抗网络的图像超分辨率技术融合到目标检测网络中,提出了两种不同的网络架构,并进行了一系列实验,具体的研究内容如下:（1）提出了一种图像层级超分辨率增强检测网络,通过直接对图像进行超分辨率增强处理的方式补偿小目标缺失的细节信息,从而实现小目标检测精度的提升。网络包含超分辨率模块、边缘提取与增强模块、图像切割与映射模块以及检测模块四个部分,并在退化模型、损失函数、NMS算法以及整体结构等多个方面进行了改进,使得整个网络的损失能联合起来共同优化图像的超分辨率增强效果,从而让生成的图像更有利于对小目标进行检测。网络的总体结构较为复杂,检测速度较慢,但在小目标检测精度上获得了明显的提升。（2）提出了一种特征层级超分辨率增强检测网络,通过一个生成器生成出小目标的超分辨率特征,使其具有类似于大目标的深层特征,进而提升小目标的检测精度。网络将判别器与目标检测的分类和回归模块合并到一起构建成新的判别器,使得在训练的过程中,判别器的三个分支网络都能引导生成器进行优化,使其生成尽可能逼真且有利于检测的小目标超分辨率特征,从而让小目标能在深层特征图上更容易被检测到。相对于图像层级超分辨率增强检测网络,此网络检测精度较低,但其总体结构较为简单,检测速度更快。（3）组合了多种图像数据的增强方法,并基于MS COCO数据集进行了实验。在小目标检测精度上,图像层级超分辨率增强检测网络相比于YOLO V3提升了10.1%,而相比于Mask-RCNN提升了3.2%;特征层级超分辨率增强检测网络相比于YOLO V3提升了7.6%,而相比于Mask-RCNN提升了0.7%。此外,消融实验的结果也证明了两大网络中各个模块在提升目标检测精度时的有效性。