针对目标检测过程中小目标检测更容易出现漏检、错检等问题,提出了一种改进型的轻量化小目标检测算法NSCOT-YOLO.首先,设计了一种特征提取模块NSC-MFFM,使用无跨步卷积进行特征提取并通过多支路进行特征融合,以有效地避免小目标重要特征信息被忽略,提高模型的检测精度,并设计实验来确定放置模块的最佳位置;然后,添加一个更浅层的检测分支及检测层,同时去掉最深层的检测分支,使用含有丰富上下文信息和共享权重的C-Cot模块替代YOLOv8s的检测层,更好地分离小尺度目标和噪声背景;最后,引入轻量高效的GhostConv模块,在不显著降低模型准确度的前提下,让模型参数量大幅下降.在公开的VisDrone2019-DET数据集上评估了所提算法的有效性.实验结果表明:NSCOT-YOLO算法的mAP@0.5　和mAP@0.5∶0.95　分别为38.3%和22.0%,与YOLOv8s算法相比分别提高了5.5　和3.2　个百分点,模型参数量为6.8×106,与YOLOv8s相比减少了39%.可见,提出的NSCOT-YOLO算法在保证模型轻量化的同时,大幅提高了对小目标物体的检测精度.