红外弱小目标检测技术在周界安防、目标跟踪、防火防灾等领域具有广泛的应用。红外弱小目标由于其尺寸小、特征不明显且经常受到背景杂波干扰等特点而导致检测难度极大,现有的目标检测方法存在严重的漏检和虚警。针对这些问题,本课题基于深度学习理论开展了红外弱小目标检测方法的研究。主要工作如下:（1）提出了基于孪生Transformer的单帧红外弱小目标检测方法。该方法将原图划分为若干个不重叠的子图,然后将目标子图与一组训练好的包含位置信息的模板分别送入孪生特征提取网络以提取特征。最后,将提取到的子图特征与模板特征送入特征匹配模块,通过二者的匹配程度来确定目标子图中是否包含目标并计算坐标。该方法以目标整体为对象进行特征提取,这种特征提取方式充分考虑了目标的上下文信息,使得特征提取结果更加充分。实验结果表明,单帧检测方法在一些目标突出等简单场景下拥有较高的检测率。（2）提出了多帧红外弱小目标融合检测方法。使用多张连续数据帧,通过多帧目标融合模块分析连续图像中背景与运动目标的深层语义特征来识别运动目标,以此突出目标并抑制背景,将处理完成的特征图送入优化后的目标检测网络预测目标。实验结果表明,相比于单帧目标检测方法,多帧目标融合检测方法即使在复杂背景下也依然拥有较高的平均检测率与较低的虚警率,表现出了更优的检测性能。（3）进行了充分的消融实验和对比实验。本课题分析了多帧融合检测网络主要模块中的不同参数可能对网络性能产生的影响,采用不同的消融实验进行对比测试以使网络的最终评估指标达到最优,并为类似任务的网络设计提供了实验参考。选取了现存的几种检测方法在公共数据集上进行测试。实验结果表明,本课题提出的检测方法的平均检测率与虚警率分别为0.985和1.96×10-4,相比于现有最好方法的0.765和9.5×10-4,本课题将平均检测率提升了28.76%,虚警率下降了79.37%。