红外弱小目标检测在军事和民用领域都有广泛的应用。相比于常规目标检测任务,红外弱小目标检测具有目标微小、信噪比低、图像背景复杂等特点。巨大的应用前景和目标的弱小特性使得红外弱小目标检测成为国内外学者研究的热点和难点。通过对经典的红外弱小目标检测方法优缺点的研究分析,结合当前性能优越的深度学习技术,本文提出了两种基于深度学习的红外弱小目标检测方法,具体包括:根据红外图像成分模型,结合深度学习图像生成,提出了一种基于深度学习的红外图像成分分解网络模型,将红外图像分解为背景图和目标图。通过设计鉴别器并在生成对抗网络框架内进行对抗学习,进一步提高了网络的分解能力。为了提高目标图的背景抑制和目标增强效果,提出了基于特征图的目标增强模块,采用了考虑虚警和漏检抑制的损失函数,实验表明目标增强模块能进一步减少目标图中背景边缘等虚警并增强目标。将类激活图引入红外弱小目标检测中,提出了一种弱监督的红外弱小目标检测方法。该方法设计红外图像分类网络判断整幅输入图片中是否存在弱小目标,并通过类激活图来确定目标位置。为了进一步提高目标检测效果,提出了一种简单快速的低秩分解法并与类激活图相结合。实验表明将类激活图作为低秩分解法的目标先验信息,能提高小目标的检测能力,取得比单独使用类激活图和低秩分解法更好的效果。为了验证本文两种方法的有效性和实用性,我们在新发布的地物和天空背景红外弱小飞机目标检测数据集上进行了测试。测试结果表明,本文提出的方法检测效果较好,不做任何微调,成分分解网络结合目标增强模块在天空背景序列上达到了89.22%的检测率和0%的误检率,类激活图结合低秩分解法达到了90.10%的检测率和33.54%的误检率。在地物背景下,做了适当的微调以克服复杂地物背景的影响,微调后成分分解网络结合目标增强模块在地物背景序列上达到了78.19%的检测率和2.50%的误检率,类激活图结合低秩分解法达到了99.49%的检测率和22.60%的误检率。