红外弱小目标检测一直以来是军事领域内的研究热门问题,它代表着一个国家的国防军事力量,是红外制导系统重要组成部分,也是建立一套高效、完整、综合防御体系非常重要的基石,与此同时红外弱小目标的检测在交通、医疗和安防监控等领域的应用价值也是显而易见的。但是红外弱小目标成像时辐射的能量弱、包含的信息少、成像的面积小,而且没有明显的形状、纹理等特征,所以如何在复杂的背景环境下高效的检测出红外弱小运动的目标具有重要的军事意义和理论意义。在深度学习没有用到行为识别领域之前,密集轨迹算法是该领域里面的经典算法之一。而轨迹作为一种局部特征能很好的表示视频中的运动信息,本文研究的对象为红外图像中运动的弱小目标,所以本文首次提出将密集轨迹算法用于红外弱小目标的检测中。本文提出了一种在连续轨迹上进行红外弱小运动目标检测的算法,该方法的步骤主要包括:首先相对单帧图像,视频序列中包含更多的时域信息,为了充分利用时域的相关性,本文对连续的图像序列进行稠密光流计算,得到稠密采样点的连续轨迹;接着对静止场景而言,在同一时段内目标的运动轨迹的欧式距离要大于背景的运动轨迹的欧式距离,根据背景与目标运动特性的不同对轨迹上的采样点进行过滤,除掉背景上的采样点;其次目标所在的采样点在位置上具有一定的聚集性,故对轨迹上的采样点及其邻域进行填充产生一个二值图像,对该二值图像进行形态学处理、提取轮廓得到一系列候选目标区域;然后因为红外目标和背景在像素值上具有一定的对比度,所以计算每个候选目标区域的局部对比度得到局部对比度映射图,再对其进行自适应阈值分割进一步剔除伪目标得到确认的红外弱小目标。本文使用时长为3分6秒的a视频和2分47秒的b视频对本文红外弱小运动目标检测算法进行了测试。实验的结果显示,通过本文算法检测后,a视频的召回率是62.54%,准确率是84.56%,检测率是71.9%,平均帧率约为0.327fps。b视频的召回率是52.80%,准确率是26.04%,检测率是34.88%,平均帧率约为0.349fps。本文的对比实验算法有:空域的红外弱下运动目标检测算法有:基于红外图像显著性直方图与几何不变性的弱小目标检测,基于红外图像局部对比度的弱小目标检测,基于光谱残差的显著性检测算法;空时域结合的红外弱小运动目标检测的算法有:基于背景消除与卡尔曼滤波的红外弱小目标检测与跟踪。本文算法的准确率高于其他三种空域的红外弱小目标检测算法,说明本文算法的低误检率。本文算法的召回率高于空、时域结合的红外弱小目标检测算法,说明本文算法的高检测率。相比较四种对比算法,本文算法的检测率是最高的,说明本文算法对于红外弱小运动目标的检测具有高检测率和低误检率。