小目标检测与识别技术一直以来都是光电探测跟踪系统的关键技术之一。本论文围绕低信噪比、低对比度背景下小目标检测与识别技术，展开深入细致的研究，旨在提出一些有效的技术路线和方法，以解决当前该领域中的一些难点和关键问题。 论文在分析了小目标成像特性的基础上，对小目标和背景杂波进行了理论模型的研究，描述了检测概率与虚警概率之间的关系，以及杂波像素在时域和空域的分布特性。 在小目标图像的预处理方面，提出了多项新的技术和方法。提出了能根据图像灰度分部局部平稳性特征选择不同方案的自适应背景预测技术，它良好的自适应特性避免了在不同背景区域交界处的高虚警率，在提高残留信号信噪比能力上优于传统的方法；构造了小目标的多尺度梯度特征，在新的特征空间中，目标与强杂波原本微弱的灰度和形态差别被差异明显的梯度特征所代替，从而能有效的抑制强杂波背景：根据小目标的运动特性，采用新的帧间相关方式改进了原高阶相关方法，新方法在提高目标能量累积速度、削弱杂波等方面的能力得到明显提升，并运用马尔可夫链的理论深入分析了杂波高阶相关的性质，揭示了背景杂波和目标在高阶相关运算中存在的本质差异，通过回归分析对改进方法和原方法的检测性能进行了进一步的分析；针对小目标面积小、与背景灰度差极小的特点，提出了两种小目标图像增强方法，利用对图像的多尺度分析掌握目标和背景在不同尺度下的动态变化规律，捕捉二者之间只有几个像素的灰度过渡区，为拉伸目标、背景抑制提供了准确的分段点，还引入了原本应用于扩展目标图像增强的粗糙集方法，发挥其优异的抑制噪声能力，结合本文专门针对小目标提出的阈值求取方法和扩展直方图分析，对原低对比度图像实现了有效的增强。 对低信噪比、低对比度背景小目标的检测和识别开展了有针对性的研究。对强光强噪声背景下的小目标，验证了强噪声在短时间内可视作正态噪声过程，在粗精两级分割的策略中运用帧间差分、目标填充、噪声投影检测等多项技术，避免了直接阈值分割所带来的目标能量损失；对运动速度较快的小目标，则通过划分每个点的运动区域，将动态规划方法在帧间的能量累加局限在一个比较小的范围之内，起到改善能量累加效果的作用，同时根据像素点在帧间的运动速度信息，用截断序贯策略逐步淘汰掉在帧间运动速度较慢的点，提高了目标检测的速度，并采用极值理论对其性能进存了分析；在小目标识别方面，细致分析了小目标在时域、空域、频域的多项特征，并选取了帧间相关特征、面积特征及聚类特征用传统的单特征识别法对小目标进行了识别，显示了单特征识别手段在面对复杂场景下的局限性，进一步提出了基于数据融合思想的目标识别方法，分别用决策级融合层中的“与”逻辑、“或”逻辑和“K秩”方法以及特征级融合层中基于模糊思想的多特征融合方法对实际图像进行了处理，论证了基于数据融合思想的目标识别方法所具有的优越性，并指出基于多特征融合的目标识别是小目标识别领域未来发展的方向。 论文细致分析了小目标检测与跟踪实时图像处理平台的系统组成与结构特点，着重对低对比度小目标的检测和跟踪算法的DSP实现进行了研究，通过对系统硬件和软件上的合理分配、算法的简化和优化措施，实现了目标的实时检测与跟踪。 本论文针对低信噪比、低对比度背景下的小目标检测与识别技术中的难点和关键技术，结合工程实际，提出了一些针对性很强的思路和方案，为提高光电探测与跟踪系统的水平提供了有力的证。