雾霾天气由于悬浮粒子的存在，降低了红外成像系统的对比度和视觉质量。现有的去雾方法大多侧重于增强全局对比度或在图像中采取局部网格透射率估计策略，容易导致图像信息丢失、光晕伪影以及天空区域失真的现象。针对这些问题，本文提出了一种基于超像素结构分解以及信息完整性保护的单幅图像去雾方法。在该模型中，首先基于局部结构信息，设计了分层超像素算法自适应地将图像分割成多个目标区域以消除光晕伪影。同时为了避免局部高亮目标造成估计误差，采用基于超像素块的改进四叉树细分方法获得全局大气光值。在此基础上，利用组合约束通过最小化信息损失实现透射率图最优化。在真实红外雾天图像上的实验表明，在定性和定量方面与现有的经典算法相比，本文所提方法在对比度和可见性方面具有优越性。

针对现有算法在复杂背景下虚警率高、实时性差的缺陷，提出了一种基于三层模板局部差异度量的单帧红外弱小目标检测算法。提出三层模板的构造方式，充分利用模板不同层之间灰度分布的差异，提出灰度差异度量和方差差异度量相结合的三层模板局部差异度量算法，同时实现了目标增强与背景抑制，最后采用自适应阈值分割算法从显著性图中提取待检测目标。实验结果表明，所提算法只需使用固定尺寸的三层模板遍历一次图像即可实现对不同尺寸目标的检测，不仅避免了由多尺度运算导致的算法复杂度的提升，而且防止了由区域交叠造成的目标漏检。使用公开数据集SIRST进行测试，与现有8种算法对比，本文算法的信杂比增益平均提高了7.7倍，背景抑制因子平均提高了3.9倍，且具有更好的实时性。

针对仅配备CPU的红外成像系统，本文提出了一种基于中心点的实时目标检测方法。遵循轻量化的设计原则，首先引入了低计算成本的特征提取网络，并在此基础上设计了相应的特征融合模块以充分利用不同阶段提取的空间和上下文信息。同时为了进一步提高网络的表征能力，提出了一个背景抑制模块以完成对前景区域的特征增强，并最终通过轻量检测网络实现对目标中心点及其相应属性的预测。在红外空中目标数据集上的实验表明，本文所提方法能够在CPU上以21.69 ms每帧的速度达到90.24%的检测精度。与经典的Tiny-YOLOv3相比，在计算量和参数量仅为前者21%和11%的前提下，检测精度提高了10.94%，并且检测速度提高了10.02 ms，证明了方法在实时红外系统中的巨大应用潜力。