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。

针对复杂电磁环境下毫米波阵列的空间辐射干扰抑制问题，设计了一种低成本的自适应波束成形系统。首先建立了复杂电磁环境下通信系统模型，建立目标函数。然后利用机器学习中支持向量机算法将原非凸约束问题转化为二阶锥优化问题，获得理想编码矢量。最后利用梯度追踪算法对理想波束矢量进行稀疏重构，完成抗干扰波束的低复杂度实现。仿真结果表明，提出的波束成形系统能够对干扰作出有效抑制，能提升通信质量。