针对目前基于微调范式的小样本目标检测方法存在模型偏差和检测器难以区分类无关知识的问题，提出一种融合迁移校正与自适应知识蒸馏的小样本目标检测方法(TCAD-FSOD)。其中，对于偏差问题，设计了物体感知RPN模块(OA-RPN)和分布校正模块(DCM)。OA-RPN利用背景筛选机制校正有偏差的RPN结果，DCM利用基类信息辅助校正有偏差的新类分布。对于检测器难以区分类无关知识的问题，提出了自适应温度知识蒸馏模块(ATKD)。ATKD通过自适应温度生成器进行精细的知识蒸馏，使检测器能够渐进式地显式学习基类与新类之间与识别相关的共性知识。实验结果表明，相较于目前已知的最新算法结果，该方法在PASCAL VOC数据集的性能最高提升可以达到2.7%,在COCO上最高提升了0.7%,说明TCAD-FSOD算法能够有效缓解模型偏差，提升对新类的识别能力。