无人机进行红外舰船目标侦察时，检测算法对检测正确率的影响很大。为增强无人机红外光电载荷对舰船目标的检测能力，提出采用支持向量机(Support Vector Machine, SVM)进行候选区训练的检测算法，以提高目标检测的正确率。通过预先对候选区的特征进行训练，得到候选区的分类数据。在检测阶段，加载训练时得到的候选区分类数据，分类筛选出更可能包含目标的候选区，从而提高目标检测的正确率。验证实验中，选用368张无人机拍摄的长波红外图像作为训练数据集图像，另外选择139张图像作为测试图像。分别采用带候选区训练的方法和无候选区训练的方法做目标检测实验。检测结果表明，采用带候选区训练的检测方法比采用无候选区训练方法时平均检测正确率高14.6%。

现有的基于单个红外宽波段的海面舰船目标探测系统在面对复杂海天背景、 岛岸背景、 恶劣天气、 亮带干扰或诱饵弹干扰等情况时, 系统的探测率、 虚警率、 探测距离等性能指标均会受到严重的影响; 为此, 开展了基于多波段红外图像的海面舰船目标检测方法的研究。 通过中波红外多波段数据采集系统实际采集107组五个中波红外波段的图像; 波段1—5分别为3.7～4.8, 3.7～4.1, 4.4～4.8, 3.7～3.9和4.65～4.75 μm; 对多波段图像进行手动标注构建样本数据集, 其中, 正样本舰船目标298个, 负样本非舰船目标353个。 对于多波段红外图像, 首先进行PCA降维并采用选择性搜索算法生成初始目标候选区域; 针对候选区域中存在大量明显的非舰船目标区域的问题, 利用积分图像计算候选区域的局部对比度, 依据红外舰船目标的几何和灰度特征从初始目标候选区域中筛选出舰船目标可能性大的区域作为舰船目标候选区域。 然后对舰船目标候选区域进行拓展以融入局部上下文信息, 对于候选区域对应的5波段红外图像, 分别提取每个波段图像的稠密SIFT特征, 并将128维SIFT特征向量降为64维, 融入SIFT特征的空间和波段位置分布信息得到新的特征向量, 基于高斯混合模型对候选区域的特征向量集合进行编码融合得到舰船目标候选区域的费舍尔向量表示, 最后利用线性SVM分类器识别出舰船目标。 对多波段图像进行舰船目标候选区域生成实验, 所提出的基于红外舰船目标的几何和灰度特征的约束方法可以有效地克服选择性搜索算法的不足, 从初始目标候选区域中快速定位出舰船目标候选区域, 对25组多波段图像进行实验, 舰船目标候选区域生成的整体耗时为0.353 s, 定位舰船目标区域耗时0.005 s。 对100个正负样本进行目标识别测试, 所提出的目标识别算法融合了目标的多波段图像特征信息, 通过引入费舍尔向量挖掘了多波段图像梯度统计特征的深层次信息, 算法的识别率达到了0.97, 显著高于单波段红外图像的目标识别率。 对25组多波段图像进行舰船目标检测实验, 所提出的舰船目标检测方法能够在海天背景、 岛岸背景以及亮带干扰等不同场景下完成海面舰船目标的检测工作, 舰船目标定位准确, 舰船目标召回率达到了0.95, 每组多波段图像的平均检测耗时为1.33 s。 研究结果表明, 充分考虑海面舰船目标在红外图像中与局部海洋背景的辐射差异以及有效地融合舰船目标在多个红外波段图像中的辐射特征, 可以增强舰船目标的可分性, 提高舰船目标的识别率以及检测率, 为基于多波段红外图像的海面舰船目标检测提供了新的技术支持。