针对目标检测网络单阶改进目标检测器（RefineDet）对类间不平衡数据集中小样本类别检测性能差的问题，提出一种部分加权损失函数SWLoss。首先，以每个训练批量中不同类别样本数量的倒数作为启发式的类间样本平衡因子，对分类损失中的不同类别进行加权，从而提高对小样本类别学习的关注程度；然后引入多任务平衡因子对分类损失和回归损失进行加权，缩小两个任务学习速率的差异；最后，在目标类别样本数量存在大幅差异的Pascal VOC 2007数据集和点阵字符数据集上进行实验。结果表明，与原始RefineDet相比，基于SWLoss的RefineDet明显提高了小样本类别的检测精度，它在两个数据集上的平均精度均值（mAP）分别提高了1.01、9.86个百分点；与基于损失平衡函数和加权成对损失的RefineDet相比，基于SWLoss的RefineDet在两个数据集上的mAP分别提高了0.68、4.73和0.49、1.48个百分点。

针对小波阈值降噪中阈值函数选取的关键问题，为解决常规阈值函数存在的不连续性以及估计得到的小波系数存在较大偏差的问题，提出一种在整个小波域都连续的自适应阈值函数。该阈值函数充分考虑了各尺度不同方向子带内小波系数的特征，将不同尺度多个方向的子带系数的能量作为该阈值函数的初始权重因子，采用区间进退法和黄金分割法迭代求解其优化的权值，自适应提高估计的小波系数与分解的小波系数的逼近程度。实验结果表明，该方法在去除噪声的同时保留了图像的边缘和细节信息，在不同的噪声标准差下取得了较高的峰值信噪比(PSNR)。