针对仅凭少量参考样本识别并定位新类别物体的任务，少样本目标检测（Few-Shot Object Detection, FSOD）是一项极具挑战性的任务。以往的方法通常依赖微调（fine-tuning）过程将模型迁移到新类别，却很少考虑微调本身存在的缺陷，导致在实际应用中存在诸多问题。例如，在需要频繁更换测试样本（episode-changeable）的场景下，由于微调次数过多，性能难以满足需求；同时，当支持集（support set）质量较低（如样本数量极少或类别不完整）时，这些方法的检测性能会显著下降。为此，本文提出一种无需微调过程、能够实现快速响应的少样本目标检测器——即时响应少样本目标检测器（Instant Response Few-Shot Object Detector, IR-FSOD），可直接、准确地检测新类别物体。为实现该目标，本文系统分析了在FSOD设定下Faster R-CNN框架中各模块存在的缺陷，并在此基础上对其进行改进，构建出IR-FSOD框架。具体而言，首先针对候选框分类器（box classifier）和区域建议网络（RPN）模块，提出两种简单而有效的元学习策略（meta-strategies），使模型能够在无需微调的情况下实现对新类别的即时响应检测。其次，在定位模块中引入两种显式推理机制，以缓解模型对基础类别（base categories）的过拟合问题，包括显式定位得分（explicit localization score）和半显式边界框回归（semi-explicit box regression）。大量实验结果表明，IR-FSOD框架不仅实现了无需微调的即时响应少样本目标检测，而且在多种FSOD设置下均达到了当前最优的检测精度与召回率，显著提升了少样本场景下的检测性能与实用性。