红外成像具有隐蔽性强,侦察能力强,抗干扰能力强的特点,在许多领域中都有广泛应用,特别是在军事和民用领域。由于红外小目标面积小,纹理细节缺失,同时存在大量背景噪声,红外小目标检测问题非常具有挑战性。面对场景复杂多变的红外图像,传统基于模型驱动的算法已经不太适用,因此越来越多的人开始利用深度学习的方法解决红外小目标检测问题。本文针对红外小目标的特点和检测的难点,分别设计了基于深度学习方法的目标检测网络和图像分割网络。本文的主要研究工作有以下几点。首先,在第二章中介绍了卷积神经网络的基本原理和几个经典的神经网络模型。其次,第三章设计了一个基于YOLO v4的红外小目标检测模型,采用Ghost Net作为特征提取网络,实现骨干网络的轻量化。在特征聚合过程中加入轻量级坐标注意力机制,将空间信息嵌入通道,空间位置信息和通道注意力相结合,网络可以在通道关注的同时感受空间位置关系,加强网络对目标的定位能力。采用深度可分离卷积替换特征聚合模块和预测模块的普通卷积,实现网络整体的轻量化。最后,第四章设计了一个新颖的图像分割网络,称为深度非对称提取和聚合。同时设计了一种非对称注意力机制,分别应用于垂直特征提取模块和水平特征聚合模块,进一步加强小目标特征。为了防止小目标在特征提取过程中丢失,限制了垂直特征提取网络中下采样操作的次数。特征聚合过程采用迭代的方式从最浅层开始依次聚合相邻层级的特征,浅层空间特征和深层语义特征被聚集起来,进一步突出小目标,同时抑制背景噪声。在公共数据集NUAA-SISRT和MDvs FA-c Gan上的实验表明,本文设计的两种卷积神经网络在评价指标上取得了更好效果,在检测精度和参数效率方面都更优。第三章模型m AP指标达到73.31%,F1值达到0.78。轻量化后模型参数只有44.8M是原模型的1/5。第四章模型在NUAA-SISRT和MDvs FA-c Gan数据集上指标分别达到77.38%和48.37%,(（9）值分别达到99.44%和86.33%。模型参数量只有2.0M,更加轻便。检测结果的可视化表明,第三章模型精确定位小目标并且检测置信度高,第四章模型对红外小目标的形状和轮廓有非常细致的刻画。