红外成像技术的发展,加速了红外图像处理领域的发展与应用。其中,红外小目标检测是在军事,交通,监控等领域的热点问题。本文针对机载红外小目标图像序列进行研究,提出一种贝叶斯框架下的鲁棒性不完全张量分解模型。利用高维空间保持数据结构的优势,将红外小目标检测推广到三维空间上来。针对红外小目标检测,全文研究的内容主要分为以下三个方面:(1)本文首先了介绍张量以及张量分解的基础知识。张量分解的两种基本方法包括CP分解和Tucker分解,针对这两种方法从基本概念到应用实例都做了详细介绍。为下文张量的应用做了铺垫。(2)建立贝叶斯框架下鲁棒性张量分解的概率模型。总结了现有的结合了鲁棒性、不完全张量分解内容的概率模型主要存在的三个问题:第一,概率模型选择复杂的先验分布,导致收敛慢;第二,张量分解前需要预先指定张量的秩,且张量的秩计算是一个较难解决的NP-hard问题;第三,使用可调的参数建立预测模型,导致模型鲁棒性下降。本模型针对上述问题都予以改进。文章详细介绍了分层概率模型的建立过程,且说明了模型自动推断CP秩的原理。模型建立后,首次将该算法应用到红外小目标检测的领域。将不同背景下红外图片序列自然形成含行、列、时间维度的三阶张量作为输入,代入模型中求解,得到表示背景的低秩张量,表示前景的稀疏张量和噪声三部分。通过稀疏张量展示了前景目标在时间轴上形成的清晰轨迹线。再进一步对进行稀疏张量处理得到最终的检测目标,通过实验证明该模型适用于红外小目标的单目标及多目标的检测。(3)定量分析本文模型的性能指标。首先在张量分解的方式与CP_ALS算法和Tucke_ALS算法比较,然后在检测方式上与传统的红外小目标检测类算法进行比较。采用主观的检测效果观察和客观的指标分析相结合的方式进行比较。定义了几种评价指标,检验使用本算法在张量分解进行红外小目标检测上的性能。