红外弱小目标检测在军事和国防领域具有举足轻重的地位,广泛应用于精准制导、预警系统以及武器装备中。由于探测器离目标空间位置远,成像环境复杂多变,导致目标呈现点状或斑状,缺乏纹理、颜色等特征,给红外弱小目标检测带来较大困难。现有算法大多为单帧检测,没有充分利用帧间的时序信息,场景鲁棒性和检测精度不高,而现有多帧检测算法速度有待提升。此外,检测结果中通常存在较多虚警,给实际应用中后续跟踪任务带来干扰。为克服上述问题,论文基于张量表示对红外弱小目标检测算法开展研究,主要工作及创新点如下:阐述了红外弱小目标检测现状,将现有方法归为四类,介绍了各自的优势与不足。对论文中涉及到的张量基本概念与数学定理进行了介绍,并对红外弱小目标图像序列中各成分特性进行了详细分析。提出了基于张量平均秩和目标先验权重的红外弱小目标检测算法。为使用多帧时序信息,该算法利用背景的时空相关性构建红外时序张量,保留了原始时空结构;基于结构张量提取目标先验信息,并转换为稀疏项权重,对稀疏张量进行惩罚;使用张量平均秩衡量背景张量的低秩性,l0范数衡量稀疏张量的稀疏性;建立优化方程并设计加速收敛策略迭代求解。该算法在抑制背景的同时,保持了较高的目标完整性,提高了算法场景鲁棒性以及检测精度,大幅缩减了多帧检测算法运行时间。提出了基于时序块张量和深度学习的虚警滤除算法。首先对典型虚警干扰问题进行分析,仅利用时序运动信息难以鲁棒地排除虚警,需有效结合时序信息与图像语义特征。为了使用时序信息,将多帧同一位置的图像块构造成时序块张量作为网络的输入;为了有效利用图像语义特征,设计基于注意力机制的空间通道调制模块并嵌入基础网络中,将网络不同层之间的细节特征与高层语义特征融合,提高了对红外弱小目标与虚警的区分能力。该虚警滤除算法作为检测算法的后处理,以较少的时间代价,进一步提升了复杂场景下算法的检测精度。