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。

当目标远离红外系统，其在成像图像上的尺寸较小且信息量较少，使得小目标的持续精确定位成为一项有挑战性的问题。针对这一问题，在相关滤波跟踪框架上，引入能够区分红外弱小目标边缘信息与杂波噪声的侧窗图像滤波方法，提出了一种弱小目标跟踪算法。具体来说，首先利用时空正则化的相关滤波跟踪模型，对目标位置附近更大范围的背景进行考虑。然后，利用侧窗滤波对当前局部搜索区域进行侧窗滤波处理，达到了保留边缘效果的同时剔除了图像噪声。最后，通过原始图像与滤波后图像作差，降低了背景边缘对目标定位错误的影响，并实现小目标状态估计。为验证本文所提算法性能，采用六组红外真实弱小目标图像序列进行实验，并与核相关滤波、空间正则化的相关滤波，以及时空正则化的相关滤波等经典算法作比较。实验结果表明，所提算法在多组复杂背景的图像序列上，获得了较高的跟踪精度，验证了所提算法能有效应对红外弱小目标跟踪任务中的快速运动、低分辨率和强背景杂波等问题。

光子计数激光雷达具有高灵敏度、高时间分辨率等优势，为了实现在大量回波数据及强噪声环境下目标信息的高效提取，提出一种自适应时空关联深度估计算法。首先，根据回波数据中信号光子和噪声光子与发射激光脉宽的关系，利用回波光子在时域上的统计差异，自适应重构具有不同时间分辨率的直方图，并结合邻域像素数据之间的空间关联性，自适应调整时间窗口的大小，寻找信号光子所在的时间区间并提取相应的数据，显著降低后续处理的数据量；其次，基于所提取的回波光子数据，设置滑动窗口初步估计各像素的时间值；最后，通过自适应均值滤波得到各像素的飞行时间，解算相应的距离信息。相较于峰值法和Chen算法，在起伏地形探测的仿真实验中，当信号光子数约为14、噪声强度小于6 MHz时，重建的均方误差至少降低了20%；在室内静态目标成像实验中，当噪声强度在5.08 MHz范围内，所提算法进行目标重建的最大均方误差为0.017 。仿真及实验结果表明，所提算法对强噪声下起伏地形和室内静态目标探测的回波数据均具有较好的滤波效果。

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。