小目标检测是图像处理领域极具价值的研究课题之一,它广泛应用于低空空域的预警系统以及远距离大视场下的导弹等制导武器的检测与跟踪。小目标的尺度变化范围大、可用信息少,场景复杂多变,如何有效的检测出现在场景中的小目标是本研究课题的亟待解决的技术攻关。论文的主要研究内容如下:针对传统多级滤波器不能适应多尺度小目标检测的问题,论文提出了一种基于多尺度级联滤波融合算法,首先,通过使用多个尺度级的级联滤波器分别对原图进行背景抑制获取残差图像,然后,通过融合各级残差图像实现多尺度小目标检测;同时,结合图像金字塔检测的方式降低算法的计算量。鉴于传统侧抑制算法不能很好地保护目标边缘,以及滑动窗口尺寸过大会导致耗时严重的问题,论文提出了两条改进措施:设置隔离窗以保护目标边缘;重新定义3*3区域表征目标区域,减少目标区域的计算。针对基于局部特征算法在背景区域存在大量冗余计算的问题,论文提出了改进的局部对比度算法,首先对待测像素点进行背景点判断,然后仅对非背景点进行灰度增强;并在显著性区域上使用改进的局部对比度算法进行计算,进一步提高了算法的性能。实验结果表明,基于局部特征的弱小目标检测算法的检测性能要优于基于背景预测的滤波算法。传统目标检测二分类算法中人工设计的特征依靠先验知识,不具备良好的适应性。为此,本文采用深度学习算法模型,通过自身挖掘目标特征并进行学习的特点,解决了传统二分类算法的缺陷。本文研究应用轻量级网络MobileNet V2作为基础网络提取特征,并结合SSD(Single Shot MultiBox Detector)检测框架,解决了本课题的小目标检测问题,从而实现自适应目标检测。