随着技术的发展,红外小目标探测系统可灵活部署在不同的平台中。对于空中运动平台下大视场红外小目标探测系统,红外场景表现出复杂性并且变化剧烈。此时,传统的基于多帧的检测算法或者对场景假设过于简单的算法均难以适用。因此,本文深入研究该应用场景下的目标检测问题。本文研究了单帧小目标检测算法,以适应系统场景变化剧烈的特性。具体地,对单帧检测时图像背景造成的两大干扰地物干扰和云干扰展开了针对性的研究。为抑制背景中的地面干扰和云干扰,本文提出了一种基于局部对比度特征的小目标检测方法。首先利用基于改进型Top Hat变换的背景估计方法从图像中提取局部的灰度尖峰做为目标候选区域,然后综合考虑候选区域的目标强度和局部邻域构造对比度特征NTHC,最后利用分类器根据特征判定区域类别。算法对背景干扰具有一定的适应性,对微弱目标也有一定的检测灵敏度。另外,算法还有构造简单,计算效率高的特点。在结合了候选区域的几何特征后,性能也能进一步提升。为进一步提高计算效率,满足系统实时性要求,提出了一种分解方法对候选区域提取阶段基于空心矩形结构元素的形态学滤波进行加速。该方法能够将空心矩形结构元素的膨胀腐蚀运算分解为一维实心结构元素的膨胀腐蚀运算。再结合形态学滤波的快速算法,不管结构元素大小,最终计算每个像素最多需要进行15次比较。在结构元素较大时,计算复杂度下降显著。在系统计算资源相对丰富,检测准确率优先级高于实时性时,为进一步抑制地物干扰,本文提出一种结合目标特性和局部背景类别预测的小目标检测算法。由于真实目标和地物干扰的局部背景分别为天空和地面,具有一定的差异性,因此可将局部邻域背景类别当做一种判决的依据。具体地,首先利用对比度和几何特征描述候选区域的目标特性,然后对候选区域的局部空心邻域,提取一种基于无监督学习的高维特征向量KMFEAT进行描述,根据这两部分信息分别得到候选区域的类别度量后,训练分类器做最后的决策。最终的测试结果表明,与基于简单特征的方法相比,算法分类性能提升显著。类似地,为了进一步抑制背景中的云干扰,本文提出一种基于深度卷积神经网络的小目标检测算法。通过训练,深度网络能从数据中自动学习到数据的表达方法,无需人工设计特征。提出的模型有9个卷积层,基于其强大的学习能力,能够直接输入候选区域的局部邻域内的原始像素,经过模型处理后,最终输出候选区域的类别判决。虽然特征完全从数据中学习得到,对于难以区分的云干扰,算法取得了很高的准确率。最后本文提出两种算法集成方案结合前述分立算法,组成高性能的红外小目标检测算法。测试时,主要采用空中运动平台采集的红外图像。结果表明,虽然测试数据表现出复杂性,综合后的算法能够从分立的算法中得到互补性,取得很高的检测性能,满足实际应用场景下的需求。