1.一种基于特征融合的小目标检测方法，其特征在于，包括：获取待检测图像数据，将图像数据输入到训练后的小目标检测网络中，得到识别结果；小目标检测网络包括主干网络、上下文信息聚合模块CIAM、跨层特征融合网络CLFNet以及检测网络；

对小目标检测网络进行训练包括：构建原始图像数据集；将数据集中的图像输入到主干网络中进行特征提取，得到多尺度特征图；将多尺度特征图输入到CIAM进行特征信息集成，得到包含目标上下文的特征信息；将包含目标上下文的特征信息输入到CLFNet网络进行多尺度特征融合，得到融合特征图；将融合特征图输入到检测网络中，得到检测结果；根据检测结果计算模型的损失函数，并通过反向传播来更新模型参数，当模型达到收敛时，完成对小目标检测网络的训练；

将多尺度特征图输入到CIAM模块进行特征信息集成包括：采用不同膨胀率的扩张卷积提取不同尺度特征图中目标的背景特征信息，得到融合特征图X′；融合特征图X′经过两个1×1的Conv分支进行通道减半，第三分支接收第二分支的输出，并通过一个3×3卷积进行特征信息集成，第四分支接收第三分支的输出，使用一个3×3卷积来优化特征，最后四个分支的输出特征图通过Concat操作进行拼接，再经过一个1×1卷积进行通道调整，得到包含目标上下文的特征信息；

采用CLFNet对包含目标上下文的特征信息进行多尺度特征融合包括：将包含目标上下文特征信息的融合特征图B′输入到特征增强模块后，得到增强特征图对增强特征图中的进行上采样，并与通过Concat操作进行通道拼接，具体融合过程为：其中output为与融合后的输出特征图，Upsample为最近邻插值上采样操作，Concat为通道拼接操作；将拼接后的特征图经过一个ELAN-W与Conv模块后进行下一次融合操作；经过第一次自顶向下的特征融合后得到输出特征图P＝{P1,P2,P3}，在第二次特征融合过程中跨层引入来自主干网络的原始特征，具体融合过程为：output＝Concat(P2,MP2(P3),B2)，其中output为跨层融合后的输出特征，P2、P3为第一次融合后的特征，B2为主干网络中的原始特征，MP2用于下采样和通道调整，Concat为通道拼接；大尺度特征图P3直接用于检测小尺度目标；其他特征图经过MP-2模块进行跨层特征融合后分别用于检测中大尺度的目标。

2.根据权利要求1所述的一种基于特征融合的小目标检测方法，其特征在于，主干网络为yolov7网络的主干网络。

3.根据权利要求1所述的一种基于特征融合的小目标检测方法，其特征在于，模型的损失函数采用点距离损失。

4.根据权利要求3所述的一种基于特征融合的小目标检测方法，其特征在于，点距离损失表达式为：

其中，DotDshape为点距离损失，D表示两边界框中心点之间的欧氏距离，S表示数据集中所有目标的平均大小，并使用指数形式进行归一化。

5.根据权利要求4所述的一种基于特征融合的小目标检测方法，其特征在于，中心点距离与目标平均大小的计算方式为：其中，(xc,yc)、分别为检测框和真实框的中心点坐标，ww、hh分别为水平与垂直方向的权重系数，M表示数据集中的图像数量，Ni表示第i张图像中标记的目标数量，wij、hij表示对应检测框的宽度和高度。

6.根据权利要求5所述的一种基于特征融合的小目标检测方法，其特征在于，水平与垂直方向权重系数的计算方式为：其中scale为比例因子，wgt、hgt为真实框的宽度和高度。

7.一种基于特征融合的小目标检测系统，该系统用于执行权利要求1～6任意一种所述的基于特征融合的小目标检测方法，其特征在于，该系统包括：输入模块、特征提取模块、上下文信息聚合模块、特征融合模块、检测模块以及输出模块；

所述输入模块用于获取待检测的图像数据；

所述特征提取模块用于提取图像数据的特征，生成不同感受野大小的多尺度特征图；

所述上下文信息聚合模块用于对多尺度特征图中目标特征信息与相关背景信息进行集成，得到增强后的特征图；

所述特征融合模块用于将增强后的不同尺度特征图进行融合，得到融合后的特征图；

所述检测模块用于对融合后的特征图进行目标检测，得到检测结果；

所述输出模块用于输出检测结果。