红外目标检测是红外侦查、智能安防、夜间辅助驾驶等领域的基础任务。传统的红外目标检测算法依赖人为设计的图像特征,存在检测精度不佳、算法迁移能力较差等问题。深度学习技术拥有端到端的特征表达能力,能够提取具有鲁棒性的语义特征,因此,开展基于深度学习的红外目标检测方法研究对于提高目标检测精度和模型泛化能力具有积极意义。深度学习目标检测算法利用颜色、纹理、几何等浅层视觉特征构建高层次语义,然而红外图像边缘模糊、对比度不佳等特点会导致浅层特征缺乏,降低深度学习目标检测算法的特征表达能力,出现检测精度不足、部分场景下检测失败等情况。针对上述问题,本文从红外图像增强和目标检测网络优化入手,结合课题嵌入式红外目标检测的工程需求,开展了如下研究工作:针对红外图像动态范围较窄、细节信息缺乏的问题,提出了一种基于滤波分层的红外增强算法。该算法通过对双边滤波器的合理近似实现了高效的图像分层,并利用改进MSR算法和掩膜自适应增强算法实现了红外图像的对比度增强和细节增强。针对YOLOv4计算复杂度偏高,在红外场景下存在检测框精度不佳以及目标漏检等问题,提出了一种改进的红外目标检测算法。该算法借鉴跨阶段部分连接思想,设计了模块化的特征增强网络,降低了算法计算复杂度,并通过重新设计边框回归方法和非极大值抑制策略提高了目标检测精度。最后,为了满足红外目标检测的工程应用需求,设计了一个基于NX嵌入式平台的实时红外目标检测系统。该系统利用QT图形框架搭建了易用的人机交互界面,并使用通道剪枝算法和TensorRT加速技术缩减了模型规模,在精度几乎不变的情况下,成倍提高嵌入式平台的模型推理速度。本文实验表明:红外增强算法能够显著改善红外图像的清晰度和对比度,提高红外目标检测精度;改进YOLOv4模型能够减少17%的参数量和13%的浮点运算次数,提高1.5个百分点的检测精度;嵌入式红外目标检测系统能够实现35.8FPS的推理速度,满足课题实时红外目标检测的需求。