针对当前空间环境单一、红外波段探测目标虚警率高、灵敏度低等难题，提出了一种基于低温冷光学技术的双色红外光学系统设计方法。光学系统前置光路采用共口径式结构，通过分光平板进行谱段分光，然后采用中继镜组二次成像的方式实现冷阑匹配，保证系统的轻小型化。另外，为了提升长波系统的探测灵敏度，对其进行了低温冷光学设计，减小系统自身辐射对探测性能的影响。系统的工作波长为3.7~4.8 μm和7.9~9.3 μm，F数为1.2，光学结构三维总尺寸为260 mm×150 mm×80 mm，中波系统畸变小于2.8%，约有82%的能量集中在探测器的一个像元内，长波系统畸变小于0.33%，约有70%的能量集中在探测器的一个像元内。该系统可对空间弱目标进行远距离探测，具有虚警率低、灵敏度高、结构紧凑等优点。

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。

针对复杂背景下尺寸未知的红外弱小目标检测难题，一种基于聚类思想的红外弱小目标检测方法被提出。首先，利用小目标形态学特征对原始红外图像进行预处理，生成新的密度特征图。其次，使用改进的密度峰聚类算法对潜在候选目标进行粗定位。然后，针对潜在目标的局部候选集，采用加权模糊集聚类算法对局部候选集进行目标与背景区域的精细分割，利用目标与背景之间的差异性在增强目标的同时抑制虚警。最后，对处理后的局部候选集进行自适应阈值提取真实目标。实验结果表明，与7种对比算法相比，该算法对尺寸未知的小目标具有良好的鲁棒性和检测性能。

为了提升基于人类视觉系统检测方法的检测率、检测速度和场景适应能力，构建了一个多场景红外弱小目标数据集，提出了一种基于视觉注意机制的红外弱小目标检测算法。从自底向上的机制出发，提出多尺度灰度-方差估计，快速计算显著图并估计出最优目标尺寸，使用基于加速分割测试特征的角点检测算法快速提取候选目标，并引入非极大值抑制去除冗余。从自顶向下的机制出发，结合生物侧抑制理论与余弦相似度，提出了软竞争模糊自适应共振网络，并设计一个特征集对目标进行描述。最后，使用网络训练所得模型完成对候选目标的识别。实验结果表明：与5种代表性基于人类视觉系统的方法相比，本文方法具有更高的检测概率和更快的检测速度，且在不同场景的性能更具稳定性。

将人工智能算法引入目标检测，空间红外弱小目标的检测也可归为模糊检测的二分类问题。依据空中红外弱小目标的探测模型，建立了信号电压比光谱模型，仿真分析表明电压比变化趋势与目标的速度、姿态和两机态势有关，可用以检测目标。采用动态特征构建理论，构建了红外弱小目标的双色比特征空间，基于该特征空间，优化最小二乘分类算法，用于从光谱信号层级检测目标。该方法不仅缩小了样本数据量，而且防止了高斯核函数参数选择引起的“过拟合”现象，既保证了分类精度，又使分类速率提高近1倍，为人工智能算法用于红外弱小目标检测提供了参考依据。

为了有效地检测复杂背景下的红外弱小目标，提出了一种基于横纵多尺度灰度差（HV-MSGD）的方法来增强弱目标，并通过距离和像素差异来实现对背景强边的抑制。目标区域与周围区域之间存在不连续性，为了加强它们的差异，HV-MSGD与双边滤波（BF）相结合，可以在抑制背景的同时提高目标强度。进一步通过自适应局部阈值分割和全局阈值分割来提取候选目标。为了进一步验证对单帧检测的影响，将上述单帧检测算法与改进的无迹卡尔曼粒子滤波器（UPF）相结合，实现轨迹检测。实验结果表明，该方法在弱信噪比（SNR）下优于其他方法，在抑制背景的同时可以增强目标，增强效果是其他方法的6-30倍。在实验中，输入信噪比分别为2.78,1.77,1.79,1.13和1.16。图像处理后，背景抑制因子（BSFs）分别为13.48,21.33,11.73,20.63和121.92，信噪比增益（GSNRs）分别为40.09,71.37,27.53,12.65和131。该方法的检测概率（Pd）也优于其他算法。当误报率（FARs）为5×10-4, 1×10-3, 1×10-3, 1×10-5和7×10-6，计算五组真实序列图像的Pd为94.4％，92.2％，91.3％，95.6％和96.7％。

针对当前空间红外弱小目标状态感知方法存在判别准确率低、人工干涉较多、对数据质量要求较高等问题，提出了一种全新的基于深度学习的判别算法。首先，对空间红外弱小目标状态变化进行了分析，并建立了专用数据集；然后，建立了目标状态感知任务专用的卷积神经网络框架，并在局部标注及自适应阈值等方面进行了创新；最后，应用实验室采集的目标辐射强度信息制作的仿真数据对本算法进行了训练和测试，建立了目标状态感知评估指标体系，并对实验结果进行评估。实验结果表明：在输入连续完整的辐射强度信息时，判别准确率为98.27%；输入片段辐射强度信息时，各状态判别准确率皆大于90%。本算法弥补了现有方法对空间弱小目标状态感知虚警率高和目标信息不完整时不敏感的缺陷，提高了检测速度和精度，可以更好地满足空间红外弱小目标感知任务的需求。