针对红外监视与告警系统作用距离短、反应时间长的问题,鲁棒的红外小目标检测技术作为系统中的关键技术,不仅可以增大其作用距离,而且有助于提高其反应速度,及时地发现并锁定目标,因此对于目标的远距离监控预警具有十分重要的意义。然而在实际应用中,视场中的场景通常复杂多变,大量的背景杂波和噪声给小目标的检测带来诸多干扰,导致许多虚假目标的出现。真实目标则以点或斑块状的小目标形态出现在红外图像中,缺乏清晰的纹理和轮廓信息,并随着探测视场与自身运动的变化具有一定的尺度变化,导致其单帧检测相当困难。特别是在信噪比极低的环境下,小目标容易湮灭在起伏的背景中,进一步增加了检测难度。针对上述问题,本文对复杂场景下红外小目标检测算法进行深入研究,以视觉显著性为基础,开展了以下工作:(1)建立了一种重加权的全局低秩分解检测模型。针对复杂场景中红外小目标由于背景杂波与噪声干扰导致的单帧检测困难问题,本文从视觉显著性检测角度出发,以矩阵的低秩稀疏分解理论为基础,对IPI模型进行改进,建立了一种重加权的红外小目标检测模型。采用非精确拉格朗日乘子法快速求解新模型,将目标与背景完全分离,实现了背景区域的有效抑制和小目标的显著增强。相较于其它几种显著性检测模型的显著图,该模型的显著图更加稳定可靠,表明其对复杂场景更强的适应能力。(2)检测性能的优化改善。针对显著图中小目标与背景残留的显著值差异不大、区分度低的问题,首先,利用简单线性迭代聚类算法对图像进行合理分块,降低后续操作的复杂度。接着,基于背景的连续性和目标的局部孤立性,采用一种简洁有效的相似性度量策略来重新分配显著图中各部分的显著值,进一步提升背景的抑制能力和小目标的增强作用,实现小目标的完整分割和尺度自适应检测。最后,针对显著图中不可避免的残留区域,基于小目标的局部孤立性和各向同性,实施一种方向一致性检验方法,对候选目标区域进行筛选,减少虚假目标,提升算法的稳健性。(3)算法性能的实验验证。为验证本文算法的检测性能,构建了一个复杂场景下的红外序列图像小目标检测数据集,并与四种基线算法进行对比实验。实验结果表明,本文算法相比于基线算法有一定的优越性,实现了小目标的尺度自适应和精确定位,检测结果鲁棒可靠,是一种能够在提升复杂场景下检测性能和降低虚警率两者之间取得良好折中的红外小目标检测方法。