为提高低信噪比且强噪声干扰下的弱小目标检测与跟踪能力,本文以序列图像目标的运动关联性为基础,先采用预处理手段来抑制背景和增强目标信号,接着针对不同信噪比下的动态场景提出了两种不同的检测算法,最后在检测算法的基础上,为了对前后多帧的目标轨迹进行运动关联,提出了改进的弱小目标跟踪算法,以解决动态场景下目标受到强噪声干扰的问题。主要研究工作如下:(1)背景建模及能量增强方面。首先针对传统背景建模在面临非平稳边缘轮廓区域时建模效果不佳,提出了改进的各向异性差分滤波的算法,该算法主要通过对比目标和背景在邻域内八个方向的梯度差异,从中选取扩散函数值最小的三个方向的均值对图像进行滤波,这样将有效突显出目标和边缘轮廓区的差异,从而在差分图像中很好地保留目标信号;紧接着在获取差分图基础上,提出了融合时空域运动特性的能量增强算法,该算法充分利用目标在时间和空间域的运动信息,有效增强了目标信号。实验表明:2个场景中不同信噪比的图像改进各向异性背景建模获取的均方误差均小于10.2,结构相似性都大于0.951,局部信噪比增益都大于10.6。而融合时空域运动特性的能量增强算法获取的目标平均灰度和图像局部信噪比达到238和13.65dB,进一步提升了目标信号。(2)弱小目标检测算法方面,主要研究动态变化且信噪比低(SNR<3dB)场景下的弱小目标检测算法,针对不同的场景分别提出了自适应修改搜索管径的时空域滤波的弱小目标检测算法和基于运动方向估计的高阶累积量弱小目标检测算法。自适应搜索管径的时空域滤波的弱小目标检测算法是在图像预处理基础上,针对传统检测算法由于采用固定的搜索管径而带来误检和漏检问题,结合尺度空间理论具有获取目标空间位置和尺度的优势,提出了一种利用尺度空间理论自适应修改搜索管径的时空域滤波算法,该算法有效地剔除噪点并准确检测出目标。由于成像系统易受外场光照变化的影响,其采集到图像响应不均匀,图像中含有较多不规则底纹的非均匀性,加之成像系统受到强噪声的干扰,这些因素使得目标的局部信噪比极低,为有效去除图像的非均匀性,文中提出一种序列图像环形扰动的校正算法,以获取序列校正后的图像,并在此基础上,提出了基于运动方向估计的高阶累积量检测算法,该算法先采用多帧累加的方式来增强目标信号,然后结合泊松分布理论来提取候选目标图像,同时采用高阶累积量检测算法进一步提取候选目标图像,最后将上述两幅候选目标图像进行相“与”处理以获取共有候选目标点,紧接着对候选目标点进行运动方向估计,并沿着估计出的运动方向进行累加,来增强弱小目标信号。实验表明:自适应搜索管径的时空域滤波的弱小目标检测算法能有效检测出局部信噪比小于3dB的弱小目标;同时文中提出的环形扰动的校正方法获取的目标局部信噪比相比传统的校正算法提升高于2dB,而基于运动方向估计的高阶累计量检测算法相比于其他算法取得较好的检测效果,可有效检测局部信噪比小于1dB的弱小目标。(3)弱小目标跟踪算法方面,在前面检测算法基础上,主要解决强噪声干扰下弱小目标跟踪过程中易出现粒子退化现象和跟踪效率的问题,文中提出了改进的免疫遗传粒子滤波弱小目标跟踪方法。在免疫遗传粒子滤波跟踪算法下,首先通过构建空间位置加权的方式来获取灰度特征,紧接着提取将目标运动信息与灰度概率充分结合的运动特征,然后这两类特征融入到联合观测模型中共同求解粒子权值,并在跟踪中自适应修改参考模板使其适应动态变化的场景。同时为提高跟踪效率,采用自适应调整粒子数的KLD算法,有效减少了算法的计算量。实验表明:不同场景下的序列图像弱小跟踪结果中,与传统算法相比,该方法能很好地处理强噪声干扰、遮挡和交叉运动的情况,本文算法获取的均方根误差都小于1.5,同时由于加入KLD算法,每秒处理的帧数比传统的粒子滤波高于3倍,有效提高了跟踪效率。