针对野生动物数据集样本量小、目标尺度多变所导致的野生动物检测困难以及检测精度低等问题，提出一种基于多尺度上下文提取的小样本野生动物检测（MS-FSWD）算法。首先，通过多尺度上下文提取模块增强模型对不同尺度的野生动物的感知能力，提高检测性能；其次，引入Res2Net作为原型校准模块的强分类网络对分类器输出的分类分数进行校正；然后，在RPN中加入置换注意力机制，增强目标区域的特征图，弱化背景信息；最后，将平衡L1损失作为定位损失函数，提升目标定位性能。实验结果表明，相比DeFRCN算法，MS-FSWD在小样本野生动物数据集FSWA上，1-shot和3-shot检测任务中新类AP50分别提升了9.9%和6.6%；在公共数据集PASCAL　VOC上，MS-FSWD最高提升了12.6%。与VFA算法相比，在PASCAL　VOC数据集Novel　Set　3的10-shot任务中，新类AP50提升了3.3%。