红外成像技术是依靠被动接收目标的红外辐射来工作的,它具有作用距离远、易于隐蔽、可昼夜工作等优点。随着红外成像技术的不断发展,红外成像系统已被广泛的应用于红外精确制导、预警、视频监控、搜索和跟踪等多种军事及民用领域。基于红外成像的目标检测与跟踪,作为上述领域的一项重要技术,在现代防御中具有十分重要的地位。尤其是复杂背景下红外目标的检测和跟踪问题是近年来的研究热点。复杂背景下红外目标因具有自身的特点,使得检测和跟踪工作变得十分困难：首先目标成像距离一般较远,目标在图像中仅占较少的像素；其次成像系统内的噪声和背景杂波干扰较强,使得目标信号相对较弱,容易被强噪声背景所淹没；最后由于目标缺乏有效的形状和纹理特征,使得可以提供给检测和跟踪系统的信息很少。因此,复杂背景下红外目标的检测和跟踪是一项富有挑战性的课题,对其深入研究有着重要的理论意义和实用价值。本论文围绕复杂背景下红外目标检测和跟踪的相关技术进行了深入的探讨和研究,取得的创新性成果如下：(1)提出基于小波包和高阶统计量的红外弱小目标检测算法。为了克服传统的基于小波变换的目标检测算法易受背景杂波和噪声干扰的缺点,在分析红外弱小目标图像特性的基础上,首先利用小波包对图像进行多尺度分解,从而克服了小波变换“高频段分辨率较低”的缺陷。接着,为了更好地消除噪声的影响,提出了一个基于高阶累积量的高斯判别准则,通过该准则可自适应选择相应的频带,使之与目标频谱相匹配,最终实现了满意的检测效果。该算法由于结合了小波包在信号分解方面的优势和高阶统计量在信号分析方面的优势,与经典的小波变换目标检测算法相比,有效提高了目标的检测概率,同时降低了虚警概率。(2)针对复杂背景下红外弱小目标快速检测问题,提出两种改进的基于分形理论的目标检测算法。第一种改进算法是基于局部熵的分形方法：局部熵反映了图像灰度的离散程度,在局部熵大的地方,图像灰度分布较为均匀,而局部熵小的地方,图像灰度起伏较大,所以算法利用图像的局部熵对目标进行初始粗略定位,然后,设计了一种基于分维像的目标检测算法对红外弱小目标作进一步的精确检测。第二种改进算法是基于三阶特征量的分形方法：由于红外弱小目标通常被看做是瞬态的非高斯信号,它所在的局部区域较图像中其他区域而言更加偏离正态分布,因此,算法首先利用三阶特征量在原始红外图像中分割出包含目标的感兴趣区域,在此基础上再利用分形理论对目标进行细定位。与传统分形方法相比,论文提出的两种改进算法均分为目标粗定位和细定位两步,粗定位的结果不仅有效提高了弱小目标检测过程的鲁棒性,而且将分形算法要进一步处理的区域缩减到一个小范围内,大大提高了算法的效率。(3)提出两种改进的基于粒子滤波的红外目标跟踪算法。首先,针对复杂背景下红外弱小目标跟踪问题,提出了一种改进的粒子滤波器。对红外弱小目标而言,灰度特征和分形特征是其两个十分重要的特征,它们各自具有优点但也存在一定的局限性：仅采用灰度特征进行目标跟踪,常易出现目标跟踪有偏或跟踪错误的现象；而分形特征目前仅用于单帧红外弱小目标的检测上。为了充分利用这两种特征的优点,本文首次将它们融合于粒子滤波的概率模型框架中,并将融合后的信息用于粒子权值的计算,大大提高了跟踪算法的鲁棒性和准确性。另外,在深入研究复杂背景下红外人体目标跟踪问题的基础上,提出了一种改进的基于灰度和运动信息的粒子滤波算法。该方法首先建立目标带有空间位置信息的灰度直方图来提取其灰度特征,同时设计了一种新的基于帧间差分和灰度概率分布图的方法来提取其运动特征,然后将这两种特征在粒子滤波框架内进行概率融合,最终完成了红外人体目标的稳健跟踪。与传统粒子滤波算法相比,本文提出的方法能很好地处理背景存在强干扰或目标被遮挡等情况,且跟踪精度高、稳定性强。(4)本文从“自适应多信息融合”和“与粒子滤波框架相结合”这两个角度出发,对经典Mean Shift跟踪框架进行拓展。从前一个角度出发,提出了一种改进的基于自适应多信息融合的Mean Shift红外人体目标跟踪算法。该方法首先提取目标的灰度和边缘特征,然后提出利用目标的运动信息来引导上述两种特征,以得到新的目标特征：运动引导的灰度特征和运动引导的边缘特征；接着,设计了一种新颖的自适应融合机制,用于将这两种新的信息自适应地结合到Mean Shift跟踪框架中；最后,提出了一个自动目标模型更新策略来进一步提高跟踪的性能。该算法能处理多种复杂的情况,如背景杂波的影响、光照的变化、目标外观的变化、以及目标被遮挡等,跟踪结果令人满意。从后一个角度出发,提出了一种融合Mean Shift和粒子滤波两类跟踪框架优点的红外目标跟踪算法。该方法首先对传统目标模型进行改进,提出了一种新的融合目标灰度和运动信息的模型,以增强目标跟踪的稳健性和准确性；然后提出一种改进的Mean Shift算法,并将之嵌入到粒子滤波跟踪框架中,用于重新分配随机粒子样本,使之向目标状态的最大后验概率密度方向移动,从而提高了跟踪的效率。实验结果表明,本文提出的方法明显优于传统的Mean Shift算法或传统的粒子滤波算法,并且在目标快速运动或目标发生遮挡等情况下同样保证目标的快速、准确性跟踪。