红外成像具有可夜间成像、穿透性强、能识别伪装等显著优点,逐步走进了人们的视野,其具体应用场景也在不断被发掘。随着对红外成像系统的深入研究,现如今,红外成像系统在现代军事或民用领域均发挥着不可或缺的作用。在红外图像处理领域,小目标检测具有重要的意义。但是,随着红外成像距离的不断增大,导致了目标信号愈发变弱,噪声信号出现的概率大大增加,图像背景杂波干扰严重。并且在远距离成像的情况下,小目标在红外图像中占据的像素非常少,无法获取其形状、纹理等先验知识,这些因素都为红外小目标检测增加了难度。因此,红外图像小目标检测是一个具有现实意义且充满挑战性的课题。分析红外图像小目标检测算法发现,现有的序列图像小目标检测方法多数是基于单帧图像的检测结果,通常不能很好利用序列图像各帧之间的时空域信息,无法达到理想的检测效果。因此,本文对复杂场景下的序列图像小目标检测和固定成像场景下的多目标检测两方面进行了探讨,主要内容如下:（1）复杂场景下的小目标检测问题。现有的序列图像检测算法通常是基于单帧检测的结果,再结合序列图像的时域信息实现目标检测,容易出现丢失目标或虚警目标偏多的情况。本文利用序列图像所蕴含的时间域信息与空间域信息,以及小目标在序列图像之间移动的时空连续性,提出了一种新的小目标检测算法。首先,将一组序列图像在时间域展开,得到时域展开矩阵,该时域展开矩阵的背景具有低秩特性,而目标具有稀疏特性,对时域展开矩阵进行低秩稀疏分解,初步分离目标与背景,得到目标预测图。随后,基于目标的轨迹连续性与噪声的随机无规律性,设计时空连续性滤波器,进一步分离目标和随机噪声,完成目标检测。实验部分测试了算法在三组数据集上的检测性能,相对于五种对比方法,该算法的检测率更高、误检率更低。（2）固定成像场景下的多目标检测问题。小目标的运动信息通常无法获取,并且在连续成像的过程中,小目标可能移入或移出成像场景,现有的检测方法大都是考虑目标的运动特性,忽视了对图像结构信息的探索,无法达到较高的检测精度。本文首先利用滑动窗切分的方式对原始图像进行连续切分,得到图像块矩阵。图像块矩阵中的背景满足低秩特性,目标满足稀疏特性,因此对图像块矩阵进行低秩稀疏分解,得到初步的目标检测结果。同时,利用帧间差分法对运动目标的敏感特性,引入环境抑制参数对阈值进行优化处理,对帧间差分法进行改进,削弱环境变化带来的影响,随后通过序列图像相邻帧之间的差分运算得到差分图像。然后将两个环节的检测结果进行逻辑与运算,完成小目标的检测。实验部分对算法的性能进行了验证,结果表明,该算法在不同场景下均有良好的表现。