20世纪以来红外成像技术得到广泛的应用和发展,在众多领域如军事领域中已经成功的利用它实现了在黑暗中观察。相应的红外图像中的目标检测技术也得到了相应的发展,从传统的边缘特征提取、阈值分割等方法,到现如今基于深度学习和神经网络的方法得到广泛使用。然而红外成像技术依然面临成像质量不高、可观测特征有限等问题,加上在如军事应用中,目标在图像中往往呈现小而模糊的特征,因此给直接进行目标检测带来一定的困难。自从生成对抗网络在2014年被提出以来,这一方向逐渐成为人工智能研究的热点,并且应用在各种不同的领域上,如图像生成、风格迁移、图像重建等。作为红外和可见光图像融合目标检测的先导实验,本文以生成对抗网络（GAN）为基础,对现有对空小目标红外图像数据集的扩充以及超分辨率重建进行研究。论文主要内容和研究点如下:（1）首先介绍实验所采用主要算法的原理,包括生成对抗网络、注意力机制、目标检测等。（2）以自注意力GAN为基础,对原图和裁剪出来的前景图像块使用不同的判别器分别进行学习,以同时学习小目标前景和复杂背景的特征,然后再进行图像的融合,从而生成带有目标对象更加真实的数据,在现有红外数据集的基础上进行数据的扩充。同时预训练一个基于YOLO框架的目标提取器来检测图像中的小目标飞行器对象。最终结果在IS、FID、MMD等指标上都有2%以上的提升,YOLO的检测结果在0.5阈值时提升两倍以上,表明扩充的图像具有较好的检测结果。（3）在超分辨率生成对抗网络SRGAN框架下引入注意力机制,对较低分辨率的红外图像进行超分辨率的重建工作,以生成更加清晰高质量的图像,以利于目标检测任务的实现。实验表明引入注意力机制后,超分辨率后的图像不仅在PSNR和SSIM数值上都有超过0.3%的提升,在主观感受上图像质量也有一定改善。