无人机被广泛应用在民用和军用领域的同时也对公共安全和航路安全等构成威胁,因此对无人机目标智能感知技术的研究具有重要的现实应用迫切需求。热红外成像设备由于具备全天时的监视能力因此被广泛用于监测无人机,然而在远距离红外成像条件下,无人机目标特征微弱且很容易受到复杂背景的干扰,这对无人机的鲁棒检测带来了严峻的挑战。传统的目标检测方法对无人机目标的特征表征能力和知识利用有限,对复杂真实场景感知能力差。因此本文提出了两个新颖的红外无人机目标检测方法,主要研究内容如下:（1）针对红外弱小无人机目标（分辨率小于9×9）检测难度大的问题,提出了一种基于残差图像预测的红外弱小无人机目标检测框架,该框架将无人机目标检测问题转化为残差图像（背景、噪声和杂波）重建问题。首先学习从输入图像到残差图像的非线性映射,再通过该映射重建残差图像,最后用输入图像与残差图像做差得到弱小无人机目标图像。高质量地重建残差图像至关重要,因此本文基于此框架提出了两种残差图像重建网络。首先,本文提出了一种基于扩张残差全卷积自编码器网络的残差图像预测方法。在该方法中嵌入了构造的局部和全局扩张残差块,它既能够捕捉残差图像中的局部多尺度特征和上下文结构信息,也能融合不同层级之间的特征来指导残差图像的重建。另外在网络的上采样阶段利用子像素卷积对特征图进行采样来避免图像失真。实验结果表明提出方法对弱小无人机目标的检测精度相比最新经典红外目标检测方法有明显提升,并且对256×320的图像取得了32FPS的推理速度,满足反无人机系统的实时性需求。其次,针对上述提出的扩张残差全卷积自编码器网络对多层级特征利用率不高的问题,提出了一种新的多粒度信息表示与重组网络。在该方法中先利用扩张卷积替代下采样操作,在不减小特征图分辨率的同时构建不同感受野的层级特征。然后将设计的深度可分离残差稠密块嵌入到每个层级上来充分地提取由粗到细的多粒度信息。最后所有的层级特征会在提出的多尺度特征聚合模块中进行融合与重组,完成对残差图像的重建。实验结果表明提出方法的检测精度不仅远高于最新经典红外目标检测方法,也优于上述提出的基于扩张残差全卷积自编码器网络的残差图像预测方法。同时在256×320的图像上的推理速度从先前的32FPS增加到45FPS,取得了更好的实时性。（2）针对复杂动态场景下红外多尺度无人机目标检测的问题,提出了一种基于层级差异化拆分注意力网络的红外多尺度无人机目标检测方法。由于骨干网络不同层的特征对不同尺度目标检测的贡献不同,本文设计了三种新的差异化拆分注意力模块。首先将空间拆分注意力引入到骨干网络的浅层,来增强小尺度目标与邻域背景在空间维度上的特征差异,从而突出小尺度目标的微弱特征;然后将通道拆分注意力引入网络的深层,来强化大尺度目标跨通道的交互信息,提高模型的检测精度;最后将混合拆分注意力引入网络的中间层,来聚焦中尺度目标特征并帮助底层空间信息向高层通道信息的过渡。除此之外,本文也将动态通道注意力机制引入到特征融合的多分支金字塔结构中,旨在指导模型自适应地选择和增强多尺度无人机的鉴别性特征。在红外多尺度无人机数据集上的大量实验结果表明提出方法的检测精度和召回率都大幅超过了最新的经典目标检测基准方法。同时它能在512×640的红外图像上取得33FPS的推理速度,能够在反无人机系统中做到实时检测。本文研究了红外复杂背景下弱小无人机和多尺度无人机目标鲁棒检测的问题,分别提出了两种不同的红外无人机目标检测方法,在真实红外无人机数据集上的大量实验结果表明本文提出的两个方法能够取得精度和速度之间很好的平衡,研究成果将促进红外无人机目标智能感知方法和技术在反无人机监视系统中的实际应用。