针对红外图像序列中复杂背景干扰下容易出现的高虚警问题，提出一种基于 ${L_{1 - 2}}$时空域总变分正则项的红外弱小目标检测算法。首先，将红外图像序列转化为时空域红外张量块，该步骤可利用张量的高维数据结构优势关联图像序列中的时空域信息。然后，利用加权Schatten $p$范数和 ${L_{1 - 2}}$时空域总变分正则项对低秩背景成分进行重构，以保留背景中起伏剧烈的边缘和角点，提高稀疏目标的重构精度。最后，将目标张量恢复为图像序列，利用自适应阈值分割方法得到最终的目标图像。与另外5种检测算法进行对比实验，结果显示，该方法的虚警率较Maxemeidan算法、Tophat算法、LIRDNet算法、DNANet算法以及WSNMSTIPT算法平均分别下降了71.4%、71.1%、68.5%、74.3%和20.47%；而在检测实时性方面，该算法耗时为Maxemeidan算法、DNANet算法以及WSNMSTIPT算法的42.4%、82.9%和28.7%。实验结果验证了该方法在检测性能上的优越性，表明该算法能够显著提高复杂背景干扰下的目标检测精度和效率。

提出一种结合跨尺度特征融合与瓶颈注意力模块的轻量型单帧红外小目标检测网络。该网络在不引入额外神经元的前提下，直接在编码层和解码层之间进行高频多尺度特征交互，从而维持小目标在网络深层的响应幅值，实现小目标浅层空间结构特征与深层高级语义特征之间的交互融合。同时，该网络在编码器瓶颈处级联轻量型混合注意力模块，进一步增强目标特征在网络深层的响应幅值。实验结果表明，该网络能有效抑制复杂背景杂波，并以较低参数量实现红外小目标检测。

由于点目标可用信息少，点目标检测技术是红外搜索与跟踪系统（IRST）中的挑战性难点。基于人工提取特征的传统目标检测，智能化水平低，对点目标检测的难度大。针对此问题，提出一种新的基于深度时空卷积神经网络的点目标检测方法。该方法采用全卷积架构，输入输出尺度相同，可用于处理任意尺度图像。为了提高实时性，卷积分解技术被引入3D时空卷积处理中，将复杂3D时空卷积分解为低复杂度的2D空域卷积和1D时域卷积。根据点目标特点，多权值损失函数被提出，分别采用样本均衡因子和能量均衡因子降低样本不均衡和误差分布不均衡对点目标检测性能的影响。测试结果表明，该方法能够有效抑制复杂背景杂波，并以较低计算量实现点目标检测。