近年来,红外目标检测和跟踪技术以其良好的隐蔽性、较强的抗干扰能力等优点受到各国的广泛关注,被广泛的应用于红外制导、卫星预警、无人侦察、工业、农业、医学、交通、航空航天等领域。但是,仍然存在复杂背景下的红外目标的检测和跟踪精度低的问题。为此,本文对复杂背景下红外目标的检测和跟踪算法进行了相关的研究。文章为先检测后跟踪的整体思路,主要研究对象为红外弱小目标和特定的常规红外目标,以检测和跟踪的精度、实时性为出发点,提供了关于红外探测技术的相关分析方法。首先,利用人类视觉对比机制对复杂背景下的红外弱小目标进行检测,算法主要模拟了人眼对目标对比度敏感这一机制。首先利用8向梯度方程提取红外图像的梯度显著图并二值化处理;根据小目标的尺寸大小特征对梯度显著图进行优化处理,剔除孤立的噪声点和尺寸较大的背景梯度显著区域;利用视觉对比机制对优化后的显著图进行局部对比度计算,通过阈值处理剔除虚警目标,完成红外弱小目标检测。在对常规特定红外目标的检测情况下,本文引入了基于卷积神经网络的红外目标检测算法,将卷积神经网络应用于特定红外目标的检测。利用红外目标正负样本对卷积神经网络进行迭代训练并进行检测测试实验,该检测方法能有效的检测出特定的红外目标。提出一种万有引力优化的粒子滤波算法。通过万有引力算法优化粒子滤波中的粒子集来提高滤波精度。首先将每个粒子看做质量大小正比于粒子权值的点,粒子间的引力吸引着粒子向高似然区域移动,从而优化粒子集。然后利用精英粒子策略加快万有引力优化算法中粒子收敛速度并避免粒子陷入局部最优;引入感知模型防止过度收敛导致的粒子拥挤或重叠。在对红外目标进行跟踪时,将多特征融合的观测模型应用于粒子滤波跟踪算法之中。将改进的万有引力算法应用于目标跟踪过程,考虑到红外目标特征描述的局限性,建立基于灰度直方图和梯度方向直方图的特征观测模型,通过计算候选模板和目标模板的巴氏距离来更新粒子权值。为提高目标跟踪的精度,对目标模板采取自适应动态更新策略。