随着计算机视觉技术的日益发展,目标检测作为计算机视觉的基础课题之一,越来越受到研究人员的重视。现实生活中,由于背景辐射、干扰物体等因素的影响,红外图像中目标特征发生很大变化,给目标检测带来巨大挑战。针对泄漏气体和固定翼飞行器两种红外目标检测存在的主要问题,本文研究了基于学习的红外目标检测方法。针对化工生产中,因环境、运动物体等干扰,导致泄漏气体检测精度低的问题,研究了一种基于学习的红外泄漏气体目标检测的方法。本文首先通过合适的背景建模方法,提取了泄漏视频中的疑似泄漏区域,并用连通域分析进行了去噪。然后选取了泄漏气体的形状特征进行提取,使用机器学习中的支持向量机分类器(SVC)训练出模型,检测时使用该模型进行分类,从而实现泄漏气体的检测,最后进行了对比实验。针对安保工作中,因飞行器速度快、姿态改变等因素,导致红外图像中固定翼飞行器要害点检测精度低、速度慢问题,研究了基于学习的固定翼飞行器要害点检测跟踪方法。本文提出了基于SVC/SVR的检测跟踪改进算法。基于SVC+KCF的检测跟踪方法,检测模块首先通过图像分割等方法提取出固定翼飞行器区域,然后选取固定翼飞行器特征进行提取,接着使用SVC进行固定翼飞行器飞行朝向判断,再根据朝向进行要害点定位,跟踪模块使用KCF算法。基于SVR+KCF的检测跟踪方法,检测模块使用SVR直接由固定翼飞行器特征得到要害点坐标,跟踪模块不变。最后进行了对比实验。使用3段不同环境的红外视频对基于学习的泄漏气体检测方法进行测试,结果表明,该方法可以达到最高98%的检测率,相比于基于纹理特征和Adaboost方法具有更优的性能。由此可见,该泄漏气体检测方法应用在化工泄漏气体检测中具有优势。使用3段固定翼飞行器红外视频对基于学习的固定翼飞行器要害点检测方法进行测试,结果表明,SVC+KCF方法,精度86.18%,误差均值为21.70,帧率为39.78帧/秒,在精度一定的情况下,速度较快,SVR+KCF方法,精度96.77%,误差均值为7.93,帧率为25.34帧/秒,保证了一定的实时性,且准确率较高。本文方法应用在红外图像中的固定翼飞行器要害点检测中具有优势。