红外成像具有探测距离远、隐蔽性高、可全天候昼夜工作等突出特性,在空间目标探测领域占据不可替代的地位。在红外探测成像系统中,目标检测扮演着尤为重要的角色,它能够同时实现图像内容的判别和目标定位,是后续跟踪任务的基础,也为系统决策提供有力支撑。在典型的应用场景中,存在大量的云层起伏、地面物体等具有强烈红外辐射特性的干扰,传统的红外目标检测算法在准确率和鲁棒性上都不太理想。近年来,深度学习在诸多计算机视觉的任务中成果斐然,将其用于红外目标检测有助于弥补现有算法的不足。本文围绕低空复杂场景中飞行红外目标检测面临的实际问题,结合图像处理、计算机视觉、深度学习等算法进行了深入研究。主要工作和创新点如下:(1)提出一种基于C-DCGAN的红外目标仿真算法,用以实现数据生成式的深度迁移学习。不同于传统的GAN网络,该模型有机地结合了类别标签,并采用卷积网络加强特征学习,提升了对多分布的红外目标图像的生成效率。需要强调的是,本文模型不是对既有图像简单采样或变换,而是对红外图像的辐射特征充分理解后,生成的全新红外目标图像。(2)基于DCNN构建出一种红外小目标检测框架,以解决远距离下的斑点状目标被起伏的背景杂波淹没难以提取,以及无法在灰度特征上区分高亮干扰物的问题。该框架首先利用回归型的DCNN进行背景成分抑制和潜目标增强,紧接着通过阈值分割提取出候选目标区域,最终送入分类型的DCNN进行目标确认。实验结果表明,该方法对图像信噪比的提升和虚假目标的区分能力上,都远优于传统的红外小目标检测方法。(3)对现有的回归型深度网络检测框架进行特征表达和定位精度上的增强,以解决红外面目标特征稀疏、像素数比例低而导致的性能下降问题。在分析了SSD模型不善于检测小面积目标的原因后,提出一种特征图的双向融合方法,增强了各尺寸特征层的表达能力;并对浅层高分辨率特征图引入语义增强分支,使其具备抽象的目标表征能力以及良好的定位精度;另外,采用轻量化的MobileNet作为特征提取网络,实现算法速度和检测性能之间的平衡。增强模型在红外目标数据集上获得了70.5%mAP/23.7 FPS,相对于原始SSD模型提升8.7%,并且速度没有明显下降。(4)大视场图像的目标检测面临数据量剧增、背景干扰更加复杂、目标像素数占全图比例进一步降低等不利因素,本文提出了一种多级联合检测框架。在粗提取阶段,利用局部加权熵分离出ROI后,进行恒虚警率的自适应阈值分割,获得各种尺寸的潜目标候选区域;在目标确认阶段,整合了之前提出的两种高性能目标检测算法,将两路结果合并后成为告警信息输出。该模型无需目标成像形态的先验知识,具备多尺寸目标的检测能力,并在整体性能上较传统方法有一定优势,具有良好的实用价值。