复杂背景下红外小目标探测与跟踪技术是一种在军事和民用诸多领域有着广泛应用前景的技术。但由于小目标在图像中所占像素少,目标的细节特征丢失,很难与杂波形成有效区分。致使在复杂背景下小目标跟踪易出现丢失目标或错跟杂波的现象,这在很大程度上限制了小目标跟踪技术的发展与实用化。同时由于大量现有光电跟踪系统不能对小目标形成有效跟踪,其作用距离自然大打折扣。而如何实现稳定可靠的红外小目标跟踪正是本文所要重点突破与研究的内容。本文将从红外小目标探测与跟踪的一些关键性技术入手,逐一解决若干难题,最终实现复杂背景下红外小目标稳定可靠的探测与跟踪。为提高系统探测与跟踪能力,本文对复杂背景中红外小目标探测与跟踪的相关技术进行了深入研究。首先详细研究了红外小目标跟踪中的图像预处理技术,尤其对与红外小目标跟踪相关的基于场景非均匀性校正和背景抑制两个方面展开了重点研究。在非均匀性方面提出了空间域低通时域高通非均匀性校正算法、高频恒定统计非均匀性校正算法、基于最优化技术的条纹非均匀性校正算法,将基于场景非均匀性校正算法的收敛时间从上千帧缩短为只需要几十帧,同时对条纹非均匀性可以实现单帧的校正。在背景抑制方面提出了复滤波器组背景自适应抑制算法,将复滤波器的概念引入到了小目标图像检测中,能够有效抑制背景杂波,提高目标信杂比。本文建立了红外小目标跟踪的贝叶斯框架的核心论,构建了红外小目标跟踪的点迹和观测概率的数学模型。该框架与一般贝叶斯框架最大的区别是本文建立的贝叶斯框架是基于滤波与数据关联框架和基于目标建模与定位框架的融合。这种融合能有效提高小目标跟踪算法的性能。在该框架的基础上,本文引入了多特征概念,设计了多特征观测概率、多特征航迹似然概率。多特征的引入丰富了数据关联的手段,提高了数据关联的效率。本文同时提出了组合滤波技术,该技术与机动目标跟踪中的多模型法相比,能够极大降低计算量而不牺牲跟踪精度。本文提出了五个完整的复杂背景下小目标跟踪的算法,包括最大观测概率法、多特征PDA法、组合滤波最大观测概率法、粒子多假设法、转移受限粒子滤波法。这五个算法是贝叶斯框架下红外小目标跟踪的具体实现。最大观测概率法、多特征PDA法是将多特征引入到原有的最邻近法和PDA法中,这些专门针对红外小目标特征的引入,使得跟踪算法比原有算法在跟踪效果上获得很大的提高。组合滤波最大观测概率法是将组合滤波技术和最大观测概率法相结合的产物,并使得最大观测概率法能有效跟踪机动目标。粒子多假设法则是摒弃了原有多假设法回溯的问题,将多假设法改进成贝叶斯框架的算法,提高了算法的效率,节省了计算时间。转移受限粒子滤波法则通过多特征与粒子滤波的结合,并通过对重要密度函数进行专门针对红外小目标的改进,使得大量的粒子不再浪费在无用区域,降低了所需要的粒子数目,提高了粒子滤波在红外小目标跟踪中的效率。本文提出了图像处理器群接口总线技术、多处理器多线程技术。这两项硬件平台的关键技术借助多处理板、多处理器协同工作使得各种复杂的红外小目标跟踪算法在硬件平台中实时实现成为了可能。本文正是从复杂背景下小目标探测与跟踪的一些关键性技术入手,解决了各种困扰复杂背景下小目标跟踪的技术难题,最终推动复杂背景下小目标探测与跟踪技术的发展。