随着其应用领域的不断拓广，在强杂波干扰下对图像序列中的微弱运动目标进行检测和跟踪日益受到人们的广泛关注，并形成了一个研究热点。由于目标本身的微弱特性，再加上背景强杂波的干扰，造成对目标的检测和跟踪变得十分困难。而本文的研究正是集中于相关的两项关键技术：背景强杂波抑制技术和类WGN模型下多帧目标检测技术。本文首先明确的提出了强杂波抑制型微弱图像目标检测系统，即采用先对图像序列进行背景强杂波抑制，再进行匹配滤波检测的两级策略。将杂波抑制的任务明确为：抑制背景能量、改善目标信杂比；对原始图像进行分布变换——由复杂、未知分布转化为简单、已知分布。同时完备了杂波抑制效果的评价体系，提出四项检验标准：正态性、白化程度、局域信杂比增益以及单帧检测性能。系统的讨论了图像目标微弱特性评价和参数界定，并分别在理论上从人眼视觉和机器检测角度讨论了其评价指标。给出了局域信杂比LSCR的定义以及其依据，而且通过工程实验获得了人眼视觉条件下表征图像目标弱特性的LSCR参数界定。对于机器检测条件下的目标，则根据Neyman-Pearson准则计算出了不同检测概率和虚警概率要求下所需的LSCR参数。从而较好的解决了微弱图像目标检测中的一个基本问题，即究竟满足什么样参数条件的目标才可以称为微弱目标。提出了基于图像准平稳子域划分的自适应杂波估计与抑制方法，并进行了详细的计算机仿真实验。由于原始复杂图像数据的全域灰度非平稳特征造成自适应算法对杂波的跟踪性能较差，因此考虑将原始图像划分为多个准平稳的子图像，然后在每个子图像域内利用自适应算法对杂波进行估计与抑制。提出了两种划分方法：四叉树矩分割法和FCM聚类分割法。对原始数据进行预平滑处理后作为自适应空域非因果滤波器的输入数据，避免了由于目标空域扩展带来了的背景估计失准。采用RLS算法估计背景杂波，收敛性好，数据稳定性高，对特定样本数据估计比LMS算法精确。提出了一种有效的背景杂波预测形态神经网络模型，用于检测图像数据中的弱小目标。目标被假设为只有很小的空域扩展度，而且淹没于强背景杂波干扰之中。通过形态神经网络，杂波背景被准确的估计并从输入数据中去除，只剩下残留噪声和目标信号。采用扩展输入层数据的办法修正了传统的形态开、闭运算3层前馈BP网络模型。为了跟踪包含不同子结构的复杂背景，原始图像被划分为多个子块，并在相应的子块中选择训练样本对结构元进行优化，提高了杂波的估计精度。提出了基于空时自适应分类的背景杂波快速估计与抑制方法。当图像序列中没有摄像机运动造成的全域运动存在，或者是其全域运动被估计和补偿的相当好时，对输入图像帧序列进行时域灰度矩学习，并据此将图像像素划分成两类：时域静杂波和时域动杂波。前者一般是由无变化背景叠加上噪声引起的，而后者则是因为背景的波动、变化、摄像机运动或者目标的存在造成的。对时域静杂波直接采用时域估计并抑制，而对动杂波则通过空域自适应滤波方法进行去除。它综合了时域滤波和空域滤波优点，既拥有时域运算的快速性，又能体现空域滤波的准确性，强适应性和帧存少的优点。提出了WGN模型下有利于实时实现的微弱运动目标空时集成检测系统，并进行了详细的性能分析。主要思想是：根据先验信息或经验尽量在空域(单帧)上集成目标能量，改善信噪比，从而通过单帧图像的二值化处理获得足够的目标检测概率和虚警概率。然后利用相邻多帧上目标运动的时间连续性在时域上进一步集成目标能量从而获得检测结果。对于空域集成检测，主要分析了线性和非线性合并方式的检测性能，而对于时域集成检测，则着重对三维轨迹集成和时域投影集成两种方式的性能进行了讨论和分析。上述各个技术研究点均进行了相应的实验，并获得了较好的结果。总之，本论文有相应的课题支持，具有广泛的应用前景，对于图像序列中微弱目标检测与跟踪等图像处理，信号检测与估计等领域都具有一定的指导性意义和参考价值。