红外弱小目标检测技术是红外成像制导、反导系统、无人机入侵检测、基于热成像的泄漏检测等系统的关键技术之一。由于目标成像距离远、目标信号衰退大,且红外图像易受环境辐射和传感器噪声影响,获取到的图像具有很低的信噪比,弱小目标在整个图像中所占的像素非常少,难以依靠尺寸、纹理或形状以及结构特征来进行检测判断,仅依靠目标本身的灰度信息无法准确检测出弱小目标。因此,复杂场景下的红外弱小目标检测方法一直是目标检测领域的研究难点,提高弱小目标的正确检测率和降低虚警率具有重要的实际意义。针对上述难点,本文提出两种基于深度网络的红外弱小目标检测模型,并将它们应用于无人机探测这一具体应用中,具体内容包括:（1）提出一种基于去噪自编码网络和卷积神经网络的无监督的端到端红外小目标检测模型（CDAE）。我们将红外弱小目标检测问题转换为特殊的“去噪”问题,即弱小目标视为红外图像中的“噪声点”;CDAE模型分为编码和解码两个过程,并结合卷积神经网络进行设计模型架构;在设计CDAE模型的损失函数中,提出结构损失和引入感知损失来指导CDAE模型加强学习红外图像的背景特征。（2）观察到CDAE模型的检测效果非常依赖于模型对红外图像背景特征的学习程度,这点限制了CDAE模型的检测能力。为了改进检测方法,本文提出一种基于条件生成对抗网络的红外弱小目标检测模型（ISOS-GAN）。ISOS-GAN模型拥有两个不同的生成器分别学习红外图像背景和小目标,一个鉴别器让两者同步对抗达到纳什平衡。而在测试阶段仅需要生成小目标的生成器。ISOS-GAN模型在测试序列上相对于典型的红外弱小目标检测方法以及CDAE模型都能够获得更好的检测性能。（3）进一步将上述两种基于深度网络的红外弱小目标检测方法在基于红外图像的无人机探测任务上进行验证。由于无人机具有典型的弱和小的特性,普通无人机一般都飞行在城市上空,而城市背景下的干扰更复杂多样,故上述两种模型直接应用于无人机探测任务都在不同程度上产生较多虚警,为了尽可能通过学习来克服背景的干扰,减少虚警,引入Sin GAN模型来辅助生成仿真训练样本,该模型仅需要读入待检测序列的一帧图像,就能生成大量的同分布的相似图像。通过实验证明,用生成的图像作为辅助训练集重新训练ISOS-GAN模型,不仅在无人机探测任务上实现了较好的性能,而且也同样有助于其他场景下的红外弱小目标检测。