红外目标检测作为红外侦查、智能安防、夜间辅助驾驶等领域的基础任务,为生活的方方面面提供了最基本的安全保障。传统的红外目标检测算法依靠人为手动设计提取特征的方法,检测精度较低且适用范围存在局限性,而深度学习技术的快速发展为红外目标检测提供了全新的研究思路和方向,能够提取到具有鲁棒性的语义特征,整体检测水平得到了极大的提升。因此,本文面向红外图像开展基于深度学习的目标检测方法改进与优化研究,对于提高目标检测精度和模型泛化能力具有积极的意义。本文主要研究工作如下:（1）针对红外图像信噪比低、数据集不丰富的问题,研究了相关的图像去噪以及数据增强算法。首先利用基于深度学习的去噪算法CBDNet对红外图像进行去噪预处理,其次对已有数据集进行基本图像变换达到扩充数据集的目的,最后采用mosaic数据增强实现数据集中目标与背景丰富度的提高。（2）针对红外图像细节信息缺乏、目标特征不明显的问题,提出了一种基于注意力与多尺度特征融合的红外目标检测算法,通过在主干特征提取网络中添加卷积注意力模型CBAM以及采用改进的3点Bi FPN多尺度特征融合方式实现了高效的特征提取,并进一步利用改进的NMS优化算法设计。（3）在以上研究的基础上,提出了一种基于红外与可见光图像决策级融合的目标检测算法,将红外图像与可见光图像进行融合可以实现信息互补。该算法将红外图像不易受光线影响的优点与可见光图像目标信息细节丰富的优点相结合,进一步提高了算法的检测精度。同时针对算法计算复杂度高的问题,在（2）的基础上应用深度可分离卷积优化了算法参数。（4）为了满足红外目标检测的实际应用需求,利用Py Qt框架搭建了易于使用的人机交互界面,设计了一个红外视频监控平台。本文实验表明:改进的红外目标检测算法能够提高2.62%的检测精度;应用深度可分离卷积后可以缩减42.8%的参数量;将红外与可见光图像进行决策级融合后在检测精度上进一步得到了提升。