红外目标检测是许多应用领域的关键技术,包括海上监视系统,导弹跟踪和拦截系统以及森林预警系统。由于成像距离远,目标尺寸较小,对比度较低,并且没有可用的纹理信息和目标结构先验知识,同时由于红外成像自身条件的限制,红外目标常常淹没于大量杂波、噪声等导致的低信噪比的复杂背景中,所以红外目标的检测仍然是一个挑战性问题。本文主要针对在复杂环境下检测红外小目标方法的困难,我们提出了克服上述难题的红外目标检测算法,主要工作如下:本文提出了一种基于显著性滤波正则化和非局部低秩的红外目标检测方法,可以将新提出的检测框架定制为非凸优化问题,其中可以在低维判别流形中进行联合目标显著性学习。我们通过组合并重构相似补丁以更好地概括非局部空间低秩性约束,同时为了突出目标显著性学习并抑制噪声和杂波的干扰,我们提出的基于熵的显著性滤波正则化项。显著性滤波正则化保留了目标和周围区域的上下文信息,并避免了低秩矩阵的近似偏差。对真实红外图像的实验评估表明,与某些最新方法相比,该方法在不同复杂场景下的准确性更高,鲁棒性更稳定。在本文中,我们提出了一种用于兼顾目标的结构先验知识和背景自相关性的红外小目标检测新方法。首先,针对红外序列图像的高维结构特征构造张量模型。其次,受低秩背景和形态学算子的启发,提出了一种基于低秩张量完成和环形Top-Hat正则化的目标检测新方法。该方法使用环形Top-Hat算子以适当利用目标区域的局部先验结构来减少噪声和杂波的影响,并且将加权Schatten-p范数扩展到张量模型中,从而充分利用了低秩张量的多维结构特征。最后,提出了一个统一的优化框架,并用交替方向乘子法(ADMM)对提出的张量模型进行了优化求解。此外,与相关方法相比,该方法不仅可以改善信噪比增益(SCRG)和背景抑制因子(BSF),而且在误报率较低的情况下也可以提供更强大的检测模型。最后,我们对本文的工作内容进行了总结,同时对所提算法的改进进行了讨论,并且对未来的红外目标检测算法工作进行了展望。