红外搜索与跟踪(Infrared Search and Tracking,IRST)系统因其具有隐蔽性、抗干扰性、全天时工作等特点,在领空监察、海上监控、空防预警以及反导等相关领域实现了相当广泛的应用。作为IRST系统的关键性技术之一,红外小目标检测旨在研究远距离红外成像时目标的快速检测技术,其结果将直接影响IRST系统的性能,因此红外小目标检测技术的研究具有重要意义。红外小目标检测面临着目标尺寸小、纹理信息稀缺、图像背景复杂和信噪比(Signal-toNoise Ratio,SNR)较低等难点。凭借优异的目标增强和背景抑制能力,基于特征表示的红外小目标检测算法受到了越来越多的关注。然而,如何描述小目标的内在特性并构造有效的特征表示,以及设计具有杂波鲁棒性的检测算法,是基于特征表示的检测算法的重点和难点。针对以上问题,本文重点围绕基于局部-全局特征表示的红外小目标检测算法展开研究。本文的主要研究工作概括如下:(1)针对传统的基于局部亮度差异假设的特征表示难以多维度增强小目标问题,提出了一种基于多尺度局部亮度差异度量和局部能量因子的小目标检测算法。通过引入局部区域能量的概念,局部能量因子度量了目标区域的结构与其邻近区域结构的非相似性,并与局部亮度差异度量在多尺度上进行融合,能够有效地增强目标信号的强度。实验结果表明,与现有的仅考虑局部亮度特性的算法相比,该算法有更强的目标增强能力,能获得更高的检测精度。(2)针对现有的基于局部特征表示的算法会误检与小目标具有类似局部特性的强杂波信号问题,提出了一种基于改进随机游走的两阶段式小目标检测算法。第一阶段基于局部特征表示从全图中筛选出目标种子点,第二阶段基于改进的随机游走模型搜索局部结构具有全局特异性的种子点作为检测结果。实验结果表明,与基于局部特征表示的算法相比,该算法能够剔除更多误检点,降低虚警率。(3)针对两阶段式算法在第一阶段漏检形成算法瓶颈问题,提出了一种基于带局部特征约束的图拉普拉斯的端到端式小目标检测算法。该算法为输入的红外图像建立图拉普拉斯模型,模型输出能够表达小目标的全局特异性特征,同时引入两个局部特征表示的算子作为模型优化函数的约束项,使得模型兼具局部-全局的特征表示能力。实验结果表明,与现有算法相比,该算法能获得更高的检测精度。(4)针对多目标检测场景下弱信号目标容易被漏检问题,提出了一种基于分布式最大熵随机游走的多小目标检测算法。该算法论证了最大熵随机游走模型用于描述小目标全局特性的适用性及其对强信号目标的偏好性缺陷,并针对这一缺陷,构建了分布式最大熵随机游走模型。为了赋予分布式最大熵随机游走模型对小目标局部特性的表示能力,修正了模型的权重矩阵,同时基于该权重矩阵构造置信系数图,与模型输出的稳态分布图进行融合,从而进一步增强模型对小目标局部和全局特性的表示能力。实验结果表明,与现有算法相比,该算法在目标增强、背景抑制和多目标检测精度上均有较大提升。