小目标是指图像平面中所占像元数少、信噪比低的目标。小目标的检测与跟踪技术广泛地应用于军事与民用领域,对小目标检测与跟踪算法进行深入研究,具有重要的意义。但是由于小目标所固有的特性,使得小目标检测与跟踪技术难度大,其主要体现在以下几个方面:信噪比低;亮度和位置存在不连续性;缺少形状、纹理等目标特征;缺少背景先验统计信息等。目前国内外众多学者和研究机构都在致力于提高小目标检测算法的性能,并结合具体应用,开展了大量的研究工作,小目标检测成为一项研究热点。　　 本文围绕提高小目标检测与跟踪的性能,在“基于滤波和数据关联”目标跟踪框架下,提出了一种基于粒子滤波的小目标检测跟踪方法。该方法主要通过提高单帧图像中小目标检测精度和融合序列图像间的目标状态信息的方式,解决了对亮度不连续并且机动性较高的小目标的稳定跟踪问题。　　 单帧图像小目标检测主要包含两个环节:目标信息的增强和目标的检出。通过对目前现有的背景抑制方法原理的分析和实验对比,结合本文的具体应用情况,通过NWTH背景抑制方法实现了小目标图像信噪比的提升;针对小目标亮度不连续的特点,本文提出了一种基于局部自适应阈值分割的小目标检出方法。通过大量的实验,验证了方法的有效性。　　 在帧间信息的融合方面,本文提出了一种基于粒子滤波的状态估计方法。由于粒子滤波算法对非线性非高斯过程具有较强的鲁棒性,可以对机动性较强的非线性过程实现最优逼近。为了提高状态估计结果的精度,本文详细的分析研究了运动过程的数学建模问题,对各类模型在粒子滤波算法下的具体实现,给出了分析推导过程。对于当前状态模型噪声分配系数的确定,文中提出了合理的假设,基于该假设,确定了具体的参数。经过仿真实验,验证了该算法的有效性。　　 本文实现了单帧图像中小目标的检出方法与序列图像间基于粒子滤波的目标状态估计方法的有机结合,完成了基于粒子滤波的小目标检测与跟踪方法。通过实验分析验证了最终算法的合理性和有效性。最后对本文进行了总结,提出了小目标检测的研究展望。