针对存在背景干扰和噪声情况下的红外弱小目标检测问题，提出一种基于无下采样contourlet变换(NSCT)和独立分量分析(ICA)的检测方法。首先原始图像减去通过快速ICA分离出的背景图像，再经NSCT去噪，接着利用新型Top-hat变换滤波得到预处理图像；然后采用基于类内方差及背景与目标面积差的阈值选取方法来分割预处理图像。针对红外小目标图像进行了大量实验，并和基于快速ICA、基于NSCT的红外目标检测方法进行了比较，结果表明所提出的方法抗噪性强，具有更为优越的检测性能。

针对基于小波变换的红外图像增强方法视觉效果不够理想的缺点，提出了一种基于平稳小波变换和Retinex的红外图像增强方法，利用Retinex增强算法增强图像的视觉效果，并改善其亮度均匀性。首先，对红外图像经平稳小波变换后的最大尺度低频子带图像进行多尺度Retinex增强；然后，利用贝叶斯萎缩阈值法对高频子带图像进行阈值去噪，并根据低频子带图像的局部对比度和模糊规则计算高频子带的增益系数，从而得到增强后的高频子带图像；最后，由低频子带图像和高频子带图像重构得到增强后的图像。针对大量图像进行了实验和增强效果的定性与定量评价，并与双向直方图均衡法、二代小波变换法、Curvelet变换法和多尺度Retinex法作了比较。结果表明，所提出的方法增强了图像细节，抑制了噪声，并明显改善了图像的整体视觉效果。

提出了基于混沌粒子群优化的图像Contourlet阈值去噪方法.该方法在Contourlet变换域内利用混沌粒子群算法来确定最优阈值，再通过软阈值函数去噪，且不需要噪音方差等先验信息.实验结果表明：该方法与小波Bayeshrink阈值、基于粒子群的小波阈值、Contourlet自适应阈值等去噪方法相比，能有效地去除高斯白噪音和椒盐噪音的混合噪音，提高峰值信噪比，并较好地保留图像的细节和纹理，从而明显地改善了图像的视觉效果.