随着数字战场技术的发展,对自动目标识别技术的要求也越来越高,而目标检测技术,尤其是复杂背景情况下远距离运动小目标检测技术在自动目标识别中占有很重要的地位,因为整个自动目标识别系统的性能在很大程度上依赖于目标的检测。远距离运动小目标的检测不仅可以应用在战场上,而且在机场等某些敏感区域中也有很重要的应用。对于红外单传感器远距离运动小目标的检测,由于单传感器图像数据只能提供成像目标的单类信息,在目标识别中存在一定的局限性,尤其是当目标温度低于周围环境温度或背景比较复杂时,检测概率往往比较低。针对上述问题,本文重点探讨了复杂背景情况下多传感器图像序列中远距离运动目标的检测,利用了信息融合理论中的特征级融合和决策级融合来进行目标的检测。首先,对于特征级融合,采用了基于Fisher分类器的特征级融合目标检测方法,其中,对红外图像序列提出了一种基于联合直方图的特征提取方法,对可见光图像序列则提出了高斯能量累加的特征提取方法;接着,当考虑到基于联合直方图的特征向量提取方法中目标的温度远远低于周围环境温度时,所提取的特征向量将不能对目标进行很好地区分,本文又采用了基于双矩形窗口的特征提取方法;最后,对于决策级融合,在得到各单传感器的模糊判决之后,利用模糊一致性理论给出了最终的判决结果。文中同时给出了不同场景下的实验数据及仿真实验效果。对复杂背景情况下多传感器图像序列中的远距离运动小目标检测问题,本文给出了一个令人较为满意的解决方案,大量的实际数据测试结果表明本文所提出的算法对复杂背景下远距离运动小目标检测具有较好的鲁棒性和有效性。