“低小慢”目标是飞行高度低于2千米且飞行速度小于50千米/小时的这一类小型航空设备的统称^[1]。作为代表的多旋翼无人机以及遥控航模具备体积较小、质量轻以及易于改装的特点,如果在“低小慢”航空器上配备摄像头或炸药并用于不正当途径,会对我国公众安全和空防安全造成潜在威胁,因此类似于“反无人机群”课题的低空慢速小目标检测技术研究已经成为热点问题。为此,本文在充分调研国内外研究现状的基础上,就复杂背景下低空慢速小目标的检测问题进行了研究,具体分析了复杂背景中“低小慢”目标的成像特征、噪声特征、目标特征以及背景特征,提出了一套具备复杂空间环境自适应性的“低小慢”目标检测方法。本文就可见光图像和红外图像针对性地提出了不同的“低小慢”目标检测算法。对于可见光相机拍摄下的复杂场景:（1）针对逆光和局部高亮情况,提出了一种基于不均匀光照校正的背景建模算法。该体系引入二维伽马函数自适应抑制光照不均匀图像以及提取颜色特征,并借助扩展尺度局部不变算子提取纹理特征,级联至ViBe+背景模型中实现对“低小慢”目标的有效检测;（2）针对复杂动态场景,提出了一种基于视觉显著性的目标检测算法。该算法充分利用了低空慢速小目标的颜色显著性特征提高前后背景对比度,并提出形态学差分方法选取目标种子点、改进扫描线填充算法实现对目标的选取。本文选取7组复杂天空背景的视频序列对算法进行了验证。结果表明,本文提出的算法具备复杂空间环境下对低空慢速小目标进行准确检测的能力。对于红外相机拍摄下的复杂场景:（1）针对具有非均匀噪声的红外图像,提出了一种基于TCAIE-LGM（Adaptive L0 Gradient Minimization Smoothing based on Texture Complexity and Information Entropy）平滑的低空慢速小目标检测算法。算法计算图像的纹理复杂度和二维信息熵作为控制参数,并通过自适应L0梯度最小平滑去除条纹噪声并抑制图像高频细节。在此之后,将双高斯差分算子（DoG）引入到了基于像素的多帧模型中实现目标和复杂背景的有效分割。为了验证算法的有效性,本文研究过程中使用3组视频（来自VOT-LTIR 2015数据库、OTCBVS数据库和Terravic Motion IR数据库）对算法进行了测试,并利用红外相机实时拍摄的视频序列对算法进行了验证。结果表明本文提出的算法可以降低虚警率并以较高的准确率完成检测;（2）对于非平稳复杂场景的红外图像,本文提出了一种“低小慢”目标的快速检测算法。累积直方图可以很好地表征图像的灰度分布,该算法利用双高斯函数拟合其直方图,并借助最大似然估计方法剔除图像中的杂波和孤立噪声点。文中提出的基于四条件约束的区域增长可以有效获取完整目标,构造的置信度函数可以大幅度提高目标判决的准确性。经过实验验证,算法在主频为3.2Ghz、8核CPU、8G内存的上位机环境,检测2km外、640×512分辨率图像中的无人机平均每帧耗时0.085s,能够满足基本检测需求。对于多源传感器环境下的复杂场景:提出了一种基于红外和可见光图像融合的低空慢速小目标检测算法。算法根据图像的加权移动方式和信息熵理论定位目标候选区域,并将红外图像和可见光图像进行融合形成先验,通过基于局部背景建模的方式提取目标。本算法可以全天时工作,相比于传统基于单传感器的低空慢速小目标检测技术在准确率上具有明显得的优势。经公共数据集验证,所提算法的准确率高于95%,与传统的单一传感器检测算法相比提高了10%以上。