针对单帧复杂背景红外图像点目标检测算法存在复杂背景下处理效果不理想、处理时间长的问题，提出了一种层次卷积滤波检测算法。主要分为两个部分：第一，根据红外小目标特性，设计一种层次卷积滤波的算子，对图像进行滤波处理，实现图像中小目标的增效和背景抑制的效果；第二，采用基于最大值的自适应阈值方法，对图像进行二值化操作，过滤背景杂波，最终提取到待检测的目标。在大量不同背景红外图像中进行实验，论文算法在背景抑制因子和信噪比增益的性能量化结果上优于现有5种典型红外弱小目标检测算法的性能结果，且平均处理时间仅为高斯拉普拉斯（Laplacian of Gaussian，LoG）滤波算法的30.42%。通过实验对比，表明该层次卷积滤波算法可以有效解决在不同复杂背景下的红外图像中对小目标检测的问题。

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。

提出一种结合跨尺度特征融合与瓶颈注意力模块的轻量型单帧红外小目标检测网络。该网络在不引入额外神经元的前提下，直接在编码层和解码层之间进行高频多尺度特征交互，从而维持小目标在网络深层的响应幅值，实现小目标浅层空间结构特征与深层高级语义特征之间的交互融合。同时，该网络在编码器瓶颈处级联轻量型混合注意力模块，进一步增强目标特征在网络深层的响应幅值。实验结果表明，该网络能有效抑制复杂背景杂波，并以较低参数量实现红外小目标检测。

红外小目标检测在红外目标搜索跟踪等应用中发挥着重要作用。文中提出一种二维经验模态分解与多尺度斑块对比度算法相结合的红外小目标检测算法。首先，利用二维经验模态分解将红外图像分解成不同尺度的模态分量，再将低频模态分量去掉进行图像重构，实现对背景杂波的抑制。然后，将重构图像做为多尺度斑块对比度算法的输入，生成目标结果图。最后，对目标结果图进行自适应阈值分割，检测出真实的红外小目标。实验仿真结果表明，该算法与现有算法相比，在不同背景下能够有效抑制背景对目标的干扰，具有较高的检测率，验证了该算法的有效性和鲁棒性。

红外弱小移动目标检测技术是计算机视觉的研究热点和难点。针对机载高动态条件下的空地目标检测存在的场景变化动态、背景干扰强度大、目标运动规律未知等挑战，提出了一种新型的基于增量惯导信息辅助的空地红外弱小移动目标检测算法。为了解决传统惯导信息预测的漂移误差问题，提出了增量惯导信息概念，设计了增量惯导信息的位置预测模型，实现了对目标点的准确预测。构建了基于增量惯导信息辅助与背景差分的移动目标检测框架，通过增量惯导信息对不同位姿下的成像进行校正，引入基于爬山法互相关匹配算法计算校正后图像的平移参数，采用高斯加权对背景图像进行估计，最后通过图像分割检测弱小移动目标。仿真实验验证了文中设计检测算法的有效性和精确性。