随着精确制导武器的不断发展,远程精确打击技术逐渐成为影响战争进程的主导因素,防空预警系统越来越受到各国军工部门的重视。在防空预警系统中,红外成像技术凭借着隐蔽性强、探测距离远、全天候、抗电磁干扰以及机动性强等优势占据着重要地位。但在实际应用场景中,由于探测距离远,红外图像中的目标通常存在着尺寸小、亮度弱、缺乏结构和纹理信息等问题,且成像会受到大气衰减、恶劣天气和噪声等影响,因此,红外小目标极易淹没在复杂背景杂波中。本文首先构建了红外图像的数学模型,着重分析了红外图像中小目标、背景以及噪声的特性,为后续研究提供了理论基础。为了提升红外预警系统的检测性能,本文对复杂背景下的红外小目标检测算法展开了深入研究,主要研究内容如下:针对现有红外小目标检测算法对天空、云层以及海天等复杂背景的抑制效果不理想的问题,本文深入分析了红外小目标及背景区域的灰度特征和梯度特征,提出了一种将灰度特征和梯度特征相结合的红外小目标检测算法。首先,利用小目标灰度值高于邻域背景的特性增强目标强度、抑制均匀背景。其次,考虑到小目标梯度方向各异且大致指向中心,而锐利边缘背景的梯度方向具有高度的一致性,故利用小目标和背景的梯度特征差异进一步抑制边缘背景。最后,采用自适应阈值算法对目标进行分割。实验表明,该算法在不同复杂背景下都能够显著提升小目标强度,有效抑制复杂背景杂波,具有良好的检测性能和鲁棒性。传统检测算法利用人工设计特征进行目标增强和背景抑制,在含有地表植被和建筑物等强辐射源的复杂场景中明显缺乏鲁棒性。为了弥补红外图像缺乏特征以及特征难以描述的缺陷,本文提出了一种基于区域选择和卷积神经网络的红外小目标检测算法,利用卷积神经网络的特征提取能力充分挖掘红外图像的潜在特征。本文借鉴了两阶段目标检测算法的思想,第一阶段先利用红外图像的灰度特性进行预处理,再通过角点检测法提取出候选区域,考虑到候选区域可能存在具有迷惑性的背景杂波,故在第二阶段利用卷积神经网络分类模型对候选区域进行分类,并滤除非目标区域。最后,大量对比实验证明,该算法能在保证检测率的同时大幅度降低虚警率。