我国具有广阔的领海,丰富的海洋资源,为了保障我国的海域安全,在运动观测平台上对海域动态目标进行检测和识别具有十分重要的意义,目前在运动平台上最为常用的是红外搜索与跟踪系统,这类系统主要包括目标检测、目标跟踪等模块。其中目标检测模块位于系统前端,是整个系统工作的基础,其工作状况将直接决定整个系统的稳定性和可靠性。因此,海天背景下红外动态目标的检测对于提升系统性能、加强海域安全具有十分重要的意义。近年来,基于深度学习的目标检测算法得到了巨大的提升,因此本研究希望通过应用深度学习技术为海天背景下红外动态目标检测提供高效可行的解决思路与方案。在海天背景下生成的红外图像,由于海面杂波、海天背景等影响,使的生成的红外图像往往存在图像边缘模糊以及图像背景复杂等特点。因此采用传统的目标检测算法,往往会导致目标虚警率高、检测精度低,除此之外,采用单一的红外图像检测往往难以实现对红外点目标的检测。因此为了解决上述问题,本文在深入了解课题的研究背景后,提出以海天背景下的鸟、直升机、民航等目标的红外图像数据和辐射特性数据作为主要数据源,利用深度学习技术构建出适用于海天背景下红外动态目标的双模型一体化检测算法,本文主要研究内容如下:(1)研究了海天背景下红外图像背景、噪声以及动态目标的特性;针对海天背景下红外动态目标信噪比低、边缘模糊等特点,采用了复合滤波算法对其进行了图像的预处理;另外针对要检测的目标为海天背景空域目标,采用了基于局部Otsu和Hough变换的海天线提取技术实现对海天背景空域的分割。(2)对比测试了几种经典的深度学习目标检测模型,从中选择出适合海天背景红外图像检测的YOLOv4模型;接着针对海天背景下红外动态目标对比度较差,图像边缘模糊等特点,对YOLOv4检测模型的不足进行改进:首先从提高检测精度的角度,利用k-means聚类算法重新构造数据集先验框;然后针对红外弱目标的特性设计了多尺度融合算法来提高弱目标的检测精度。最终在保持目标检测速度的同时,提高了模型的图像检测性能。结果显示:改进后的模型的检测精度提升了2.66%。(3)接着针对仅靠单一的红外图像检测模型很难准确的检测出红外点目标的问题,本文引入了辐射特性判别模型来对红外图像检测模型进行辅组判别,其具体的做法是将两模型的判别结果利用贝叶斯融合法则进行融合,从而完成双模型一体化的建立。结果显示:相较于单一的红外图像检测模型,融合后的一体化模型对于民航的检测精度提高了1.75%,召回率提高了0.67%;对于直升机的检测精度提高了0.98%,召回率提高了0.84%;对于鸟的检测精度提高了2.01%,召回率提高了0.55%。综上所述,本文针对海天背景下红外动态目标的检测任务,对相关的技术理论进行了研究。对比测试各种模型,以此来搭建适合本次任务的神经网络结构框架,最后针对在检测任务中涉及到的关键技术进行了探索,并取得了一定的研究成果。