智能科技的迅猛发展推动了现代军事应用技术手段的快速更新,也对红外探测系统远距离作战和精准定位的能力提出了更高的要求。红外小目标检测技术是影响红外探测系统性能的关键技术,更是计算机视觉领域的一项热点技术。由于自然场景下的红外图像信噪比低,远距离成像的小目标通常表现为微弱的孤立光斑。此外,高亮自然背景（例如厚云、建筑物等）,甚至传感器噪声都可能会淹没待检测的昏暗小目标。为了增强在高度异构背景杂波下的小目标检测算法的鲁棒性,研究有效的异构背景抑制方案和提取弱小目标的算法至关重要。近年来,关于红外小目标检测算法的研究得到了学者们的广泛关注,但现存大多算法面对真实红外条件的高度异构背景杂波时仍表现出一定的局限性。本文基于红外背景的低秩先验,结合小目标的局部空间特征更加明显的理论基础,提出了三种复杂背景下红外小目标的检测算法,内容如下:1.针对红外小目标检测算法对高亮自然背景的干扰难以彻底抑制的现状,提出了用于红外小目标检测的最优频谱尺度空间算法。主要包括以下三个阶段:背景抑制、特征匹配和最优尺度选择。在背景抑制阶段,采用非精确增广拉格朗日乘子（IALM）算法的矩阵优化分解方法从原始图像中提取稀疏图像矩阵作为目标前景图像;在特征匹配阶段,提出了用16个精细的高斯核函数与目标前景图像的幅度谱卷积的精确的尺度划分策略,获得精确匹配红外小目标特征的多尺度显著图。在最优尺度选择阶段,摒弃了以往最小信息熵定位小目标的方法,依据红外小目标在局部空间的显著特征,重新定义了灰度差值和局部信息熵的最大值作为最优尺度选择的判断标准。大量实验结果表明,该方法对厚重云层和高亮度背景干扰有针对性地抑制作用。2.针对低秩分解类方法处理红外图像时存在的运行速度慢,边缘敏感的问题,提出了基于梯度峰值快速定位的稀疏红外小目标提取算法。主要包括以下步骤:首先利用圆形结构元素对整幅图像做膨胀操作,以锐化小目标边缘和平滑背景噪声。然后,利用红外小目标在局部空间的梯度特征较为明显的理论先验,计算膨胀后红外图像的重叠梯度信息,将梯度峰值较大的局部区域定位到原始图像中,并认定其为存在候选目标的感兴趣区域。最后,采用加速近端梯度算法将提取的局部感兴趣区域进行低秩-稀疏分解,提取出稀疏性红外小目标。实验结果表明,与经典的低秩-稀疏分解算法相比,该算法运行速度更快,图像信噪比得到了很大的提升,在综合评价指标中表现出优越的检测性能。3.针对当前红外图像块算法对复杂背景下检测小目标时异构背景抑制不足的缺陷,提出了鲁棒的红外超像素图像分离模型。主要包括以下步骤:首先,由简单的线性迭代聚类算法生成的超像素适当地聚合了相似的背景组份作为后续处理的基本单元。具体来说,本项工作为SLIC设置了一个可选的超像素数目范围,以在低分辨率红外图像上稳定地实现所提出的策略。其次,提出了一种离群超像素掩膜模型来消除结构性和非结构性极复杂背景干扰成分的异常超像素。随后,特别引入了二维高斯匹配滤波器来模糊边界、最大化SNR和PNHB。最后,提出了一种基于熵加权稀疏因子（SVT-EW）的奇异值截断策略来提取最终目标。熵加权的稀疏权重因子为红外小目标图像分配恰当的稀疏权值,实现对小目标的精确提取,因而省略了作用于背景残差的阈值分割步骤,并在与对比算法的综合评估中表现出较高的检测性能。