传统的基于卷积神经网络的目标检测技术已经取得很大的成功,这一切都归功于有大量的带注释的数据集。然而,在某些样本稀缺的应用场景,传统的目标检测方法是不可取的,检测精度会是灾难性的降低。因此,为了缓解小样本导致的精度损失,本文提出了一个适用于小样本目标检测的学习框架:LSYOLO,利用支持样本的类属性信息,增强查询图片中感兴趣类别对象的特征表达。同时,针对内存和计算资源有限的移动端嵌入式部署环境,对LSYOLO各模块做了轻量化设计,并使用量化和剪枝对网络进行压缩和加速。具体的工作如下:1.设计并实现了一个小样本目标检测框架:LSYOLO。该框架包含三个关键的模块,MONET,SAMNET和预测模块P。MONET从查询图片提取多尺度元特征。SAMNET从支持图片中学习生成具有类属性的重权系数,用于增强元特征中感兴趣类别对象的类属性特征。预测模块P使用YOLOv3的预测头进行位置和分类信息的回归。2.为了兼顾目标检测的高精度和在移动端的高速推理,对LSYOLO的MONET和SAMNET模块进行了轻量级设计。（1）为了保证MONET作为目标检测主干网络的高性能和检测精度,使用了小的卷积核,降低参数量,限制输入通道数,降低计算量,结合深度可分离的卷积运算方式,加速网络推理;设计了并联结构,旁支结构和FPN进行多尺度的特征融合,提升检测精度,特别是小目标的检测精度。（2）针对SAMNET提取感兴趣区域的类属性特征的目的,网络设计使用了优化后的SE模块突出感兴趣区域,并采用了与MONET相同的加速方案。3.对MONET网络模型进行量化和剪枝。量化采用的量化感知训练,将浮点32位的权值和激活量化为8位定点数据,实现全整数推理。使用渐进式剪枝技术对MONET进行剪枝训练,将不重要的权重置零。通过实验证实,本文提出的小样本目标检测框架LSYOLO结合自主设计的两个轻量级神经网络,相比于传统的方法,能够在COCO制作的小样本数据集上提升4.70%的检测精度,7.27%的召回率。对MONET分别使用量化和剪枝两种压缩网络模型的方法后,最好的高性能小样本检测模型在骁龙855的CPU上吞吐率能够达到11FPS（输入图片448 × 448）,而检测精度仅损失1.05%。