车辆目标自主检测是遥感侦察和精确导航领域的关键技术,深度学习成为红外图像时敏目标检测算法研究的主要方向之一,其性能与训练样本的规模和质量密切相关。然而,实际应用中待检测车辆往往为非合作目标,很难获取大量的实际目标红外图像数据,尤其是复杂战场环境下目标多视角图像,网络模型训练面临少样本甚至零样本的难题,且目标成像像素数少。因此,本文提出一套面向少样本目标检测的图像增广方法,设计目标检测网络,并实现模型的嵌入式移植。首先,针对红外军事车辆数据样本稀少、视角有限及背景单一等现实问题,本文提出一种数字仿真与对抗学习结合的少样本目标图像增广方法。采用数字建模仿真生成目标多视点红外图像;结合少量目标真实红外图像,采用Style GAN迁移修正,提高仿真数据的逼真度;将仿真图像中的车辆目标与无目标真实红外背景融合,生成复杂场景下的目标图像,增加目标场景的多样性。并通过检测模型验证了该少样本目标图像增广方法的有效性。然后,针对复杂场景下车辆目标像素少,目标可靠检测难,虚警率高的问题,本文提出了一种基于组归一化的Gn YOLO目标检测模型。通过在骨干网络中添加卷积注意模块的方法,对特征图进行自适应特征细化,降低了背景噪声影响,提高网络对目标的注意力,增强了网络的抗干扰能力和场景适应性。进一步,采用组归一化提高检测模型对小目标的敏感度,增强了多尺度红外目标的检测性能。最后,本文在扩充数据集上对检测算法进行了对比实验,并在嵌入式平台海思Hi3559AV100芯片上实现了网络模型的嵌入式移植,验证了提出的目标检测模型具有良好的检测性能及跨视角适应能力,且实时性优,满足准确性和嵌入式平台应用要求。