目标检测作为图像理解和计算机视觉的一个分支,是大量视觉任务的必要前提,当前也是机器学习领域中的一个热门方向。目标检测被广泛应用于许多的领域上,例如道路交通车辆以及标识、安保系统中的检测、军事领域中目标的识别。针对不同的应用场景而言,目标检测核心思想都是要解决物体在背景中的精确定位。对于红外图像中的目标,检测目标并对其物体轨迹进行分析是实际需求中必须要解决的难点。由于红外目标本身的特征弱、颜色缺失,传统算法解决该问题仍然存在一定的局限性。近些年来,基于深度学习的目标检测算法发展迅速,由于能够很好地拟合非线性问题,基于深度学习的目标检测算法在视觉图像领域中得到广泛的应用,但对于红外图像领域,应用还是不多。本文在基于深度卷积神经网络的目标检测算法基础上,针对红外目标检测以及目标轨迹检测两个问题进行了研究,设计了两个基于卷积神经网络的算法,测试结果验证了算法能够有效地提高模型的精确度,降低虚警率。本文的研究内容如下:（1）红外目标以及红外目标轨迹的数据集构建。对于深度学习以及大数据处理而言,数据集尤其是大数据集显得是尤为重要。本文第三、第四章通过实测与仿真扩充的方式构建了红外图像小目标和红外目标轨迹检测数据集,通过增加噪声,进行数据增广例如对图像进行翻转、明暗度调整、旋转、截取的方式来扩充数据集的容量从而提高数据集的鲁棒性,数据集为后续的红外目标以及红外目标轨迹检测算法研究奠定了基础。（2）基于改进SSD的红外目标检测网络构建。本文第三章设计了一种基于改进SSD网络的小尺度红外目标检测方法,引入DetNet骨干网络并改进单元结构,同时在SSD网络的特征提取层利用了金字塔特征融合结构,使得网络能够进行多尺度特征融合目标检测。红外无人机数据集测试结果证明了该方法的有效性,提高了红外小目标检测的准确率。（3）基于全卷积网络的红外目标轨迹检测网络构建。利用全卷积网络优异的特性,本文第四章设计了一种基于全卷积网络的红外目标轨迹检测方法。在强噪声以及轨迹由于遮挡产生断点的情况下分析验证了该方法,数据集测试结果表明了该方法的有效性。