随着军事现代化的推进,红外探测设备被广泛应用于装备夜视、目标侦察以及导弹拦截等领域。对红外图像中的弱小目标进行识别有利于扩大设备作用范围、争取有利的作战时机,红外小目标探测逐渐成为战场上的一项关键技术。然而,目前主流的红外小目标检测算法主要针对的是天空背景,在特殊物体出现的复杂背景下算法的虚警率较高;常见的深度学习目标检测算法主要针对的是自然图像,并不适合直接用于检测红外小目标。本文充分地总结了前人的研究后,使用传统算法提取可能存在目标的局部区域,将卷积神经网络应用于小目标候选区域分类,实现了复杂背景下高召回率、低虚警率的红外小目标检测。本文的主要工作及贡献如下:（1）拍摄并制作了万幅规模的红外小目标数据集。红外小目标领域缺乏公开数据集,现有的数据量不足以支撑网络训练。本文在一年多的时间里拍摄了大量复杂背景下的飞行红外小目标,并制作成包含10420张图像、10545个目标、4类背景的红外数据集。此外,本文采用了裁剪与嵌入的数据增强方法,有效地平衡了训练时目标与背景区域的样本数量。（2）将传统红外小目标检测算法改进为候选区域算法。为提取目标面积小且信杂比低的局部区域,本文改善了原始IGVF算法在相邻热噪声与暗噪声出现时虚警率高的缺点,使其平均虚警率降低11.5%,平均召回率提升24.3%。通过GPU加速设计,改进版本速度相比原始算法提升96倍。最后本文使用传统算法通用的NMS算法提取候选区域中心。（3）基于分割与传统方法融合的红外小目标候选区域提取算法。本文创新地将分割算法引入红外小目标检测,采用面积与长宽比的方式过滤出目标可能出现的小型点状区域。之后将其与改进IGVF算法提取的像素区域进行融合,在本文数据集上实现了平均召回率达90%以上的红外小目标候选区域提取算法。（4）适用于红外小目标的卷积神经分类网络。为提升CNN对小目标候选区域的分类准确率,本文设计了大尺度的网络入口,并且使用FPN进行上下文语义特征融合,在大尺度特征图上输出网络的预测结果。实验证明,在本文数据集上CNN分类的召回率与精确率均可达到95%以上。最终,通过包含目标的候选区域中心位置来定位小目标,完成复杂背景下对红外小目标的低虚警率检测。