论文结合机载光电系统的广泛应用需求,针对其关键技术:红外目标检测、识别与跟踪,以显著性理论及稀疏表示理论为主要方法展开研究,旨在构建一种新的动态背景下的红外目标检测、识别与跟踪算法。具体研究内容包括:首先,在对红外图像特性研究的基础上,提出了一种基于频域显著性分析的红外目标检测算法。算法利用红外图像中目标在频域内相较于背景更加显著的特点,通过频域显著性计算得到红外图像的显著图,从而确定目标的粗略位置,然后通过自适应阈值分割显著图,提取出感兴趣区域,进一步在感兴趣区域中计算多尺度窗口的显著度,完成红外目标检测。在保证算法性能的前提下,显著性的引入,大大提高了算法效率。其次,针对红外目标识别问题,研究了一种基于模型训练的红外目标识别方法。利用稀疏编码与空间金字塔匹配算法思想,实现特征提取。其中,利用K-SVD方法训练得到特征字典,实现特征稀疏编码。然后利用线性支持向量机对稀疏特征进行训练,得到分类器,完成目标识别。将字典学习、特征表示及分类器学习融合在统一的框架内,实现了更好的识别性能。再次,针对目标跟踪问题,研究了一种基于压缩感知的红外目标快速跟踪方法。利用多尺度卷积提取样本特征,该特征融合了目标的空间、多尺度等信息,然后基于压缩感知理论,利用随机高斯投影矩阵实现特征降维,降低计算复杂度。最后利用朴素贝叶斯分类器进行特征分类,实现目标跟踪。同时,跟踪过程中在线更新朴素贝叶斯分类器,增加了算法鲁棒性。与经典跟踪算法相比,该算法在保证跟踪精度的情况下,运行速度有明显的优势,能够鲁棒、精确快速地实现目标跟踪。最后,在理论研究的基础上,针对算法的工程应用性展开研究,将算法移植到ARM中,实现了一个原理样机,验证了论文红外目标检测、识别与跟踪算法的有效性及工程可行性。