提出了一种基于深度学习的多视窗 SSD(Single Shot multibox Detector)目标检测方法。首先 阐述了经典 SSD 方法的模型与工作原理，并根据卷积感受野的概念和模型特征层与原始图像的映射 关系，分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸，揭示了经典 SSD 方法在小目标检测上不足的原因。基于此，提出了一种多视窗 SSD 模型，阐述了其模型结构与工 作原理，并通过 106 张小目标图像数据集测试，评估和对比了多视窗 SSD 方法与经典 SSD 方法在小 目标检测上的物体检索能力与物体检测精度。结果表明：在置信度阈值为 0.4 的条件下，多视窗 SSD 方法的 AF(Average F-measure)为 0.729，mAP(mean Average Precision)为 0.644，相比于经典 SSD 方法 分别提高了 0.169 和 0.131，验证了所提出算法的有效性。