红外小目标检测具有探测距离远,隐蔽性好,不受地磁干扰,不受大气和光照条件影响等特点,是目前军事和民用领域广泛使用的关键技术。现有的传统目标检测方法很大程度上依赖于设计者的先验知识和手动调整,难以处理真实场景变化较大的情况。卷积神经网络能自主学习目标数据深层的本质特征,但红外小目标尺寸小,图像背景杂波冗余且与小目标特征极为相似,使得固有特征极易丢失在网络中,且目标检测算法无法直接应用于红外小目标检测,如何提高模型泛化能力及检测性能仍是一个极具挑战性的任务。因此本文面向弱特征强干扰的红外小目标检测算法进行研究。创新性研究成果如下:（1）提出了基于视觉注意和多空洞特征的红外小目标检测算法。针对传统红外小目标检测方法泛化能力差且与现有模型不匹配的问题,所提模型首先采用多层次侧输出的骨干网络提取目标特征以适用红外小目标检测任务。然后,对每个层次侧输出的特征执行注意力细化模块,以抑制复杂背景杂波的干扰且增强提取到的小目标的多尺度特征图的表征能力。随后,通过多尺度空洞卷积模块对网络深层特征图进行增强,获得更多深层的编码高级的语义信息,以更好地对红外小目标进行定位。最后,对增强后的深度语义特征上采样,并与浅层特征逐级融合,得到更具判别力的上下文信息的多层次特征。实验结果证明所提方法性能优于其他目标检测方法,适用于红外小目标检测任务。（2）提出了基于细化增益和融合空洞特征的红外小目标检测算法。针对目标特征提取不理想,上下文信息提取不充分的问题,该模型首先将自适应细化模块与密集多尺度空洞模块作为一个分支,从网络输出特征中提取有效的更具判别力的多尺度特征并融合,避免深层冗余信息的干扰,引导细节信息的恢复。另外两个分支对应两个网络层次的自适应细化模块,对浅层细粒度特征进行表征,自适应调整空间维数保留特征空间信息。实验结果证明,所提的方法有效缓解了特征提取不理想不充分的问题,且性能优于传统红外小目标检测方法及其他先进的基于深度学习的检测方法。（3）提出了基于特征增强的轻量化红外小目标检测算法。为缓解红外小目标检测模型参数量和运算成本,提出了一个新的轻量化特征提取网络。通过设计新的残差块,在通道和空间维度上同时进行滤波操作提取特征,获取更具表征力的多尺度特征图的同时大幅较少网络参数数量。此外,通过坐标注意力机制,捕获目标通道信息和空间方向远程相关性,获取精确位置信息,并将位置信息与通道注意力相结合,使网络获取更大区域的信息且避免引入额外的计算开销。通过轻量化特征提取网络和坐标注意力机制构建了一个新的轻量化检测模型,实验结果表明所提模型在提升检测精度的同时能有效减少参数量。