随着计算机技术和传感器技术的快速发展,红外图像以其具有的夜视范围广、抗干扰能力强、可全天候工作等优势,被广泛应用于军事和民用等领域。红外图像目标检测作为现代红外系统的核心技术,一直是图像处理领域的重要研究内容。近年来,随着深度学习技术在图像处理领域取得的卓越研究进展,有效推动了红外图像目标检测技术的发展。在诸多深度学习目标检测算法中,基于Anchor的回归型目标检测算法是经典算法之一,它可以直接将目标检测任务转换为回归任务,具有检测精度高,速度快的特点。然而,对于复杂道路场景下的红外图像目标检测任务,目标类别不均衡会严重影响目标检测模型的性能,且红外图像受限于成像方式,通常存在对比度不佳、分辨率差、目标纹理特征少等问题,使得目标检测网络难以提取红外图像的有效特征,导致检测框回归不精确,影响检测准确率。本文围绕基于Anchor的回归型红外图像目标检测算法展开研究,针对复杂道路场景下红外图像目标检测面临的实际问题,深入研究红外图像预处理、目标检测网络结构优化和回归损失函数等内容。取得的主要研究成果如下:（1）针对目标类别不均衡以及红外图像对比度不佳、分辨率差、目标纹理特征少的问题,提出一种自适应CLAHE图像优化算法,该算法通过对比度拟合函数,自适应地选择优化参数,保证了图像优化效果。在此基础上,使用生成对抗网络Cycle GAN生成含有特定目标的红外图像,解决目标类别不均衡问题。实验结果表明,通过对红外图像优化和数据增强可以有效降低模型过拟合的风险,提高目标的检测精度,进而提升网络的泛化能力。（2）针对目标检测网络难以提取红外图像有效特征的问题,在分析YOLOv4网络结构基础上,提出一种适用于复杂道路场景的基于人类视觉的目标检测网络HV-YOLOv4（Human Vision-YOLOv4）,它使用了基于人类视觉系统的感受野模块RFB,并在检测头之前嵌入基于残差结构的同位注意力模块CA。实验结果表明,HV-YOLOv4目标检测网络能够增强对红外图像的特征提取能力,可有效应对复杂道路场景下目标较小、局部遮挡和多尺寸等情况,实现了目标检测精度的提升,模型鲁棒性较强。（3）针对目标检测网络在预测过程中检测框回归不精确的问题,在分析边界框预测算法的基础上,提出一种新的基于Anchor的回归型目标检测算法学习规则。首先在FLIR红外数据集上使用基于聚类的Anchor设计方法来生成先验框,然后通过调节基于α-Io U的回归损失函数的因子α,实现不同水平边界框的回归精度。实验结果表明,基于α-Io U的回归损失函数可以有效提高目标的召回率,检测框的定位更加精确。本文提出的改进方法,有效提升了复杂道路场景下红外图像目标检测的综合性能,为今后红外图像目标检测任务的研究奠定了基础。