红外弱小目标检测是当代及未来先进武器系统的核心技术之一,在工业、交通、安保、医疗、天文等民用领域也有着广泛应用需求,已成为计算机视觉领域的一个热门研究课题。红外弱小目标成像面积小、可用特征少,目标检测极易受背景杂波干扰,因此,如何准确、可靠、快速地检测复杂场景下的弱小目标便成为这一课题的技术难点和研究热点。本文从工程应用的实际需求出发,研究复杂场景下红外弱小目标的检测算法,并采用真实场景的红外图像序列进行实验,验证算法的可行性与有效性。本文首先对红外图像的三个关键要素——目标、背景、噪声的特性进行分析,在此基础上研究了基于DoG算子和信杂比极大值调优方法(Tune-Max of signal-to-clutter ratio,TM-SCR)的尺度自适应弱小目标检测算法。针对算法计算复杂度高的问题,本文提出了若干改进措施:利用CenSurE算子替代DoG算子,快速计算多尺度滤波响应;对图像进行栅格化处理,通过搜索网格内滤波响应的局部极大值以减少后续计算量,籍此实现不同尺度小目标的快速检测。针对红外弱小目标能量弱、图像中目标与背景对比度低的问题,本文采用时空能量累积的方法增强目标与背景的对比度,进而改善图像的信噪比,达到提高目标检测概率的目的。针对单帧检测算法无法利用目标帧间关联性的缺陷,本文提出了基于运动估计的滑动加权管道滤波算法以及基于光流估计的运动弱小目标检测算法。两种方法均可利用目标的运动特征,具有较好的虚警抑制能力,实验结果表明基于光流估计的检测算法对虚警的抑制能力优于基于运动估计的管道滤波算法。传统的红外弱小目标检测算法大多以滤波为主要技术手段,本文从模式分类的角度出发,将弱小目标检测看作非均衡二分类问题,研究应用机器学习技术检测红外弱小目标的可行性。为此,本文提出了用灰度分布统计特征描述目标,用代价敏感的Gentle AdaBoost算法训练二类分类器,通过分类实现真假目标判定。采用真实场景的红外图像序列进行实验,首先使用多尺度CenSurE算子生成滤波响应并定位局部极大值,随后自动提取图像子块作为候选目标,最后使用由Gentle AdaBoost算法训练的二类分类器进行真假目标判定,K折交叉验证结果表明算法的可行性和有效性。