近年来,随着多种多样、功能丰富的飞行器不断涌现,由其带来的安全和隐私方面的隐患也越来越得到重视。因此,开发针对空中目标的重点区域防护系统十分必要,而目标检测是该系统的重要组成部分。目标检测技术是计算机视觉领域的基础课题之一,同时也是一个热点,具有非常广阔的应用市场。如今,由于在图像分类研究领域广泛应用深度学习方法,促使目标检测技术取得了显著发展。但是,目前大多数基于深度学习的目标检测技术是针对可见光成像技术的,而针对红外成像技术的研究却很少。本研究希望通过应用深度学习技术为空中红外目标检测识别提供高效可行的解决思路与方案。相比其他目标,空中红外目标所处的空域背景较为简单平缓,而且目标成像较小,图像对比性较差、边缘模糊。准确、快速、可靠地检测到,并提取出空中红外目标,为后续处理赢得时间,是当前迫切需要解决的问题。本研究以空中目标的红外图像、高程-辐射强度信息等为数据源,提出了一种新型的基于深度学习的空中红外目标检测方法,提高了检测速度和精度,更好地满足了检测任务的需求。本文的主要研究内容归纳如下:(1)介绍了卷积神经网络的数学原理及当前主要的目标检测方法;对比地学习了众多经典的深度学习目标检测模型,从中筛选出较适合空中红外目标的初始YOLO v3模型,通过应用自制的红外图像数据集,不断进行训练测试,逐步完善,最终完善了YOLO v3目标检测模型。(2)根据空中红外目标图像像素分辨率较低、图像边缘模糊和对比性较差的特点,对YOLO v3模型进行了改进。从提高检测定位精度的角度改进了边缘损失函数,大幅提升了YOLO v3模型对空中红外目标的表征能力,并合理地选取了目标框维度聚类,改善了模型算法的性能。结果显示:模型改进后平均准确率提升3%左右。(3)利用红外目标高程-辐射强度等信息,设计了专门用于空间红外弱小目标特性状态判别的感知模型,验证弱小目标的图像检测结果,作为图像检测模型的辅助判别方式。主要研究体现在3个方面:1)设计了专用于空间目标状态感知任务的CNN框架;2)针对CNN框架固定检测阈值不够灵活的缺陷,采取自适应阈值的策略,用以降低漏警率和虚警率;3)建立专用于空间目标状态感知的辐射特性数据集,该数据集具有代表性且数据充足,能很好的训练和测试模型,保证了模型的质量。(4)将感知模型输出的特性判别结果输入到图像检测模型的全连接层,应用贝叶斯融合检测准则,进行了双模型一体化融合判别,较经典深度学习目标检测方法在空中红外弱小目标检测精度方面有所提高。这也为红外目标检测提供了一种新思路。综上所述,本论文详细论述了作者通过对基于深度学习的空中红外目标检测技术相关理论的学习和研究,并将常见的经典模型进行了比对,在此基础上构建了深度学习网络架构,并对其关键技术问题进行了探究,取得了一定的成果。本文可为基于深度学习的空中红外目标检测技术提供理论基础与算法支持,具有借鉴意义。