红外弱小目标检测在军事预警方面具有重要的应用价值。弱小目标检测存在红外图像成像距离长、区域小,目标在成像平面上的像素点较少等问题,手工设计的目标特征难以在复杂背景图像中正确区分目标、背景和噪声,且现存的许多算法有较高的计算复杂度,不满足军事上的实时性要求,高精度的检测仍然是一项具有挑战性的任务,因此有必要进行更好的算法探索,本文的主要贡献如下:（1）为突出目标与抑制背景,首先提出了一种能够有效抑制背景、提高目标显著度的图像增强算法,并通过与现存的图像增强算法进行对比,证明了本文算法的有效性。（2）弱小目标的背景低秩且稀疏,基于此本文提出了基于稀疏滤波的弱小目标检测算法。首先将图像裁剪为图像块,将每一个图像块视为互不相关的数据样本、然后向量化,并在数据样本中添加理想点目标矩阵作为哨兵矩阵,哨兵矩阵也需要被向量化;然后将所有的向量利用稀疏滤波从低维空间映射到高维空间,哨兵向量用于控制稀疏滤波的迭代停止,在得到特征矩阵中通过向量的值来判断原数据块与目标的相似度。而后为了解决稀疏滤波对图像边缘敏感的问题,使用梯度矩阵奇异值分解和结构向量求迹的组合算法滤除图像边缘,保留目标。该算法的主要思想是将图像通过维度转换得到更多的特征,通过实验证明了该算法的可行性。（3）提出了一种基于语义分割网络的弱小目标检测方法,该方法检测精度高、具有实时检测能力。本文首先提出了FCN-Based Network,通过训练和泛化结果证明了语义分割网络检测小目标的可行性;然后提出了改进版的STDNN网络,考虑到目标多尺度问题在网络中加入了空洞卷积、金字塔网络等结构;为了解决目标与背景的占比严重不平衡的问题采用了Tversky损失函数;为了提高网络检测精度加入了跨连接、残差连接等结构。训练好的网络能够接受任何大小的图像作为输入并快速得到背景、目标分割图。最后考虑到噪声的影响,在分割图上采用连通法过滤误判的噪声点,提高检测率。网络训练数据集是将净空背景下采集的红外图像分割成小块后向其中添加不同信噪比、多尺度的仿真目标得到,经过在仿真数据集和真实数据集上的测试与对比实验证明,该网络模型可以快速准确的分割图像中的目标与背景,检测效果优于所有对比方法。