海洋遥感图像微弱目标检测在海洋救援、海洋漂浮垃圾清理、精确制导和威胁预警等民用及军事领域有重要应用。海洋环境复杂,近海岸区域存在高辐射虚警源,纯海洋（远海岸）区域存在海洋杂波及云雾干扰。且微弱目标信杂比低,图像视场面积占比小,缺少目标检测可利用的纹理信息及形态学特征。因此海洋微弱目标检测充满挑战,研究高鲁棒性及高普适性的算法具有显著意义。目前海洋光学遥感图像（可见光波段）目标检测算法主要针对具有明显形态特征的较大舰船,而非微弱目标,所以对光学遥感图像微弱目标的特征还不能准确提取。而海洋红外遥感成像目标检测算法中,基于海杂波建模的算法普适性低,基于形态学和视觉显著性理论的算法对噪声和强边缘敏感,基于张量低秩稀疏分解的算法对红外图像背景低秩性的描述欠佳。本文研究内容如下:1.研究了遥感图像微弱目标视觉检测基础。主要包括数学形态学滤波、机器学习分类器和张量低秩稀疏分解。并深入研究了微弱目标特征建模、方差编码和张量的秩近似范数。2.提出了一种多特征联合微弱目标检测算法。针对光学遥感图像微弱目标构建了可解释性强的5维视觉特征空间,并结合随机森林分类器实现目标检测,对浓云遮挡、舰船密集排布和海洋杂波干扰等具有较好的场景适应性和算法鲁棒性。3.提出了一种块图像多模态方差编码算法。该算法基于图像多模态局部方差信息准确提取目标边缘并抑制背景杂波,联合形态学运算等有效实现红外微弱目标检测。大量实验验证表明,该算法具有较强的背景杂波抑制能力,提升了海洋杂波环境下的微弱目标检测性能。4.提出了一种基于模-k1k2展开张量管秩（Mode-k1k2 Extension Tensor Tubal Rank,METTR）模型的红外微弱目标检测算法。通过引入METTR范数将原始张量转换为多个不同模态的张量,更好地挖掘了张量的结构信息,从而更精确地逼近张量秩,使优化模型获得更准确的稀疏成分,并重构为目标检测结果。多种场景的算法仿真和数据测试表明,该方法的目标检测精度高于基线算法,也具有更好的背景抑制能力。