红外弱小目标检测与主动跟踪是红外搜索跟踪系统（Infrared Search and Track,IRST）的核心技术,在民用航空安全监测有着至关重要的作用。由于成像距离极远以及红外探测器本身成像的特性,红外弱小目标在图像上总是呈现成像像素少、局部信杂比极低的特点,为红外弱小目标的检测和跟踪带来极大的困难,造成检测的精度不高,漏检率偏高的局面。本文在前人工作的基础上,以提高天空背景极低局部信杂比下的检测准确率和召回率为目标,针对中波红外望远镜的成像特性、红外弱小目标的成像特性,从能量汇聚角度和红外弱小目标检测算法本身出发,对红外望远镜的自动对焦算法和红外弱小目标检测算法进行了改进,主要研究和成果包括以下两点:（1）对卡塞格林中波红外望远镜准焦和失焦状态下的红外弱小目标图像特性进行了分析,得出了能量汇聚对红外弱小目标检测的重要性。红外望远镜系统的成像距离远,景深短,失焦引起的图像模糊更加剧烈,并且由于大气折射,望远镜所成的像处于不断变化之中,造成传统对焦算法对焦成功率和效率偏低的结果。为了提高自动对焦的成功率和速度,采用了一种变步长的搜索算法,利用多次求图像清晰度取其中位数的方法保证清晰度评价的准确性和稳定性,利用带动量和加速度的搜索算法降低了对焦过程中的不稳定性,减少了粗对焦过程所需的步数。算法在实际中波红外望远镜系统中得到应用,实验结果表明,该算法在粗对焦阶段所需的对焦步数比固定步长的爬山法减少了12.8%,满足红外望远镜系统的需要。（2）针对红外弱小目标像素少、信杂比低的成像特性,提出了一种基于YOLO的结合了传统图像处理算法的卷积神经网络。使用连续4帧图像,每张图像经过滤波处理后插入图像序列中,形成总共8帧图像作为网络输入,通过卷积网络运算后,输出目标的位置信息。实验结果表明,相对于单帧输入,以图像序列作为输入的网络对红外弱小目标的识别率高,虚警率低;同时,插入了经过滤波处理的输入相对于纯图像序列输入,对静止的或者移动缓慢的小目标的识别具有极大的提升,尤其适合于成像质量较差的红外跟踪设备。最终将整个控制系统部署到FPGA+NVIDIA TX2平台,对红外弱小目标进行了检测和跟踪。综合上述,课题在卡塞格林反射式中波红外望远镜的基础上对基于深度学习的红外弱小目标检测和跟踪的相关理论知识进行了比较详细的介绍,对目前研究工作中的不足和难点进行了进一步研究,提出了适用于望远镜系统的自动对焦算法,和弱小目标检测模型,解决了极低局部信杂比下的红外弱小目标检测难题,并与经典模型进行了对比,在硬件设备上进行了实验,验证了提出的算法和模型的有效性,为未来的研究提供了一定的经验。