最小可分辨温差（Minimum Resolvable Temperature Difference,MRTD）是评价一个红外成像系统性能的重要参数,可以综合评价成像系统的空间分辨能力和温度分辨能力。传统的MRTD测试方法受到测试者主观因素影响较大,检测结果存在较大的不确定性,逐渐被客观检测方法所取代。但现有的客观检测方法中仍存在人工操作的步骤,自动化程度低。本文提出了一种端到端的检测方法,并建立一套完整的MRTD检测系统。其中实现目标的自动定位和精准识别是研究工作的重点,通过对MRTD检测图像分析发现目标尺度差异大、目标-背景相似度高是影响检测准确度的主要问题。针对上述问题,设计了包含基于混合粒度学习的网络。本文的主要研究内容有:1.针对检测图像中目标尺寸差异较大的问题,提出了多级特征金字塔模块。使用一系列级联的卷积模块配合多个并行的膨胀卷积模块,获取输入图像不同层级、不同尺寸的特征信息,并使用一个紧密连接的结构进行特征融合。消融实验证明多级特征金字塔模块可以提升模型对多尺度目标的检测能力,将模型的m AP提升5.1%。2.针对检测图像中目标与背景相似度较高的问题,提出了目标显著性增强模块。引入注意力机制,通过对图像的局部和全局上下文信息分别编码,增强目标特征的显著性。消融实验证明目标显著性增强模块可以增强模型的识别能力,将模型的m AP提升3.9%。3.构建基于混合粒度学习网络的MRTD检测模型,混合粒度学习网络由多级特征金字塔模块和目标显著性增强模块组成。该检测模型可以实现准确度较高的端对端MRTD检测,可以对同一温差下的多个目标进行同时检测,有效地提高了检测的效率,提高检测工作的自动化程度。4.搭建硬件测试平台并制作MRTD检测专用数据集IR-MRTD。实验证明,在IR-MRTD数据集上,本文提出检测模型的m AP较传统的Faster R-CNN提升了9%,相比于其他SOTA算法也具有更高的检测精确度。最后设计实验,对比本文方法与其他客观检测方法的性能,实验证明本文提出的方法具有更高的自动化程度并与真值有更高的吻合程度。