红外弱小运动目标的探测与识别技术是提高成像系统作用距离，增强红外制导武器抗干扰能力的一项关键技术。针对弹道导弹中段拦截，如何在有干扰的情况下，在尽可能远的距离快速有效的对目标进行探测识别，为防御系统争取足够长的反应时间，是导弹拦截成功与否的关键所在。鉴于多光谱信息融合技术在目标探测、识别等方面所体现出的巨大优势，本文对红外图像序列中弱小运动目标的多光谱融合检测与识别技术进行了深入研究，其研究成果能够进一步降低虚警率，提高目标的识别准确率，增强系统的抗干扰能力和环境适应能力，具有广阔的应用前景和重要的军事意义。　　由于目前国内尚不具备利用多光谱导引头进行实际测试的条件，为评估后续检测、识别算法的有效性，提出了一种利用实际拍摄的真实单波段红外场景合成多光谱图像序列的方法。根据天空和云的相对光谱辐照度，通过线性混合将原始的单波段红外图像拓展为多光谱背景图像。利用简化的温度计算模型，分析了典型空间弹道目标（弹头、导弹碎片和气球诱饵）的表面温度和红外辐射特性，进而建立了空间目标相对光谱辐照度的时间序列模型。在此基础上，根据目标运动方程及二维成像模型在已生成的多光谱背景图像序列中植入运动目标。　　针对多光谱红外图像序列中具有恒定未知光谱辐射强度的弱小运动目标检测问题，建立了与之相应的简化二元量测信号模型，将远距离目标的运动近似为匀速直线运动，从而把非闪烁弱小运动目标的多光谱融合检测转化为经典的假设检验问题。在该模型的基础上，采用广义似然比检验（GLRT）得到了该问题的检测算子，并利用速度滤波器组实现了该检测算子。利用概率统计知识，从理论角度出发估计了算法的虚警概率和检测概率，并通过人工合成的多光谱红外图像序列验证了算法的有效性。与传统的单波段检测算法相比，该算法通过融合光谱信息能够进一步提高极低信噪比条件下弱小运动目标的检测能力。　　若目标的信号强度时变，上述基于GLRT的检测算法不再适用。针对多光谱红外图像序列中具有时变未知光谱辐射强度的弱小运动目标检测问题，提出了一种基于粒子滤波的多目标检测前跟踪方法。在检测前首先对多光谱数据进行降维预处理，将多波段变为单波段。通过分析降维处理后的单波段图像，利用概率统计知识建立了与之相应的二元量测信号模型，将闪烁弱小运动目标的多光谱融合检测转化为贝叶斯滤波框架下的检测前跟踪并利用多个粒子滤波器予以实现。实验结果表明，该算法可同时处理低信噪比条件下的多个弱小运动目标，检测和跟踪性能良好。　　针对空间弹道目标的自动识别问题，本文从贝叶斯决策理论的角度出发，提出采用概率神经网络对三种典型空间弹道目标（弹头、导弹碎片和气球诱饵）进行分类。利用前期目标检测的结果，对检出目标选取特征像素点，将图像序列中由该像素点提取出的空间目标表面温度及有效辐射面积随时间的变化曲线视为该类别目标的特有概率密度函数，并以此作为特征矢量输入概率神经网络，通过Parzen窗概率密度函数估计得到该目标属于各模式类的后验概率。为提高温度测量的精确度，提出了一种基于比色测温的多色测温方法，通过对目标发射率比的自然对数进行建模，减小了目标发射率未知所带来的不确定性，从而进一步提高识别准确率。实验结果表明，该算法的平均识别成功率优于传统的BP神经网络，且不存在局部最优问题。