红外成像探测技术是目前以及未来**作战需要倚仗的重要技术。以卫星红外序列遥感图像为处理对象，采用人工智能相关技术对图像数据进行目标检测。针对序列图像检测到的特定目标进行关联分析，并通过目标灰度提取以及运动变化信息来生成特定目标的轨迹报告。实验结果表明，多目标检测的平均正确率为90%，部分场景可以达到95%，误检率为7%；多目标跟踪的平均正确率为91%，误检率为6%，为及时发现和预警特定目标提供了信息支撑。

弱小多目标的检测与跟踪是雷达探测面临的一个重要技术难点。面向复杂背景下的弱小目标探测, 提出了一种新的思路, 从3个方面对探测性能进行优化: 首先, 通过对概率数据关联算法进行改进来实现复杂背景下目标跟踪;其次, 通过自适应处理来实现斜视阵条件下非均匀杂波的抑制;最后, 通过分析目标隐藏信息来扩大目标跟踪范围, 完善目标形态。实验验证了此算法能很好地应用于跟踪波门重合性质的目标, 既能使跟踪的精确性得到保障, 又能大幅度提升关联速度, 能够很好地用于复杂背景下的弱小目标探测。

针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强, 以及在大视场条件下, 首帧图像中小目标误检率高的问题, 提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量, 建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量, 再采用改进的局部自适应阈值分割算法分割后续帧图像, 然后利用静态与动态决策准则筛选出分割后的真实目标, 最后计算并更新动态决策准则.红外靶标测试结果表明：该方法对不同场景具有较好的适应性, 四个场景平均跟踪准确率为95.81%, 微机平台平均每帧处理时间为10.93 ms, 嵌入式平台为26.79 ms.

为了实现校园的安全监控，提出了基于云台摄像机的快速移动人群的检测与跟踪算法。介绍了云台摄像机用于校园安全监控的基本构成。为了更好地实现云台摄像头对于移动人群的检测与跟踪，建立了基于现实的精确摄像机模型，提出了摄像机自旋转角度约束的摄像机模型。通过最新的核相关滤波器跟踪算法（KCF）实现对运动着的人群检测与跟踪。运用Matlab仿真实验比较该方法和卡尔曼滤波跟踪算法，选择最优方法和相关滤波器跟踪算法来实现检测与跟踪要求。结果表明：相比较于传统的卡尔曼滤波跟踪算法，KFC算法的跟踪精度优于传统方法，精度多数情况下能达到90%以上，高于卡尔曼滤波跟踪算法的60%，检测与跟踪效果达到要求。

主要研究了红外图像中运动点目标的检测及跟踪问题。在复杂背景下， 根据小目标在红外影像中容易丢失的特性，利用 Atrous小波变换对图像非抽取(变换后图 像数据未损失)的优点对红外图像进行了背景抑制与增强。通过聚类分割算法分割出了可疑目标，并 采用八邻域分析算法准确跟踪并提取出了运动小目标。试验结果表明，本文算法在对红外序列图像中的运动目标进行检测与跟踪 时具有较强的实用价值。