红外热成像技术通过物体主动发出的红外电磁波波段,根据物体表面温度的不同来感知不同目标与背景的差异进行成像。因为这种特性使得红外目标检测系统对复杂环境的适应性更强,适合在军工和航天领域进行远距离观察。红外目标检测作为军工和航天领域监测异常目标最重要的技术手段,对于维护国防安全稳定具有重大意义。深度神经网络因能够提取到更为抽象的深度特征而普遍应用在目标检测中。对地红外图像由于其数据来源的特殊性和成像过程中设备异常等原因经常表现为弱样本和低质量,又因红外目标的运动属性导致红外图像的采集经常表现为序列性,因此红外序列图像的目标检测具有一定的难度。本文针对红外图像进行空时约束的目标检测算法研究,研究的主要内容如下:（1）研究了目标检测及深度学习相关基础理论,包括空时约束相关基础理论,卷积神经网络的卷积层、池化层和激活函数等结构,以及视频目标检测模型;（2）针对星载红外图像的噪声与低对比度问题,通过分析图像产生质量退化的原因研究并提出天基红外卫星图像预处理方法,其中包括基于导向滤波和自适应中值滤波的图像去噪以及基于限制对比度直方图均衡的对比度增强算法。针对红外图像样本量少的问题,通过研究深度学习中常用的弱样本扩充方法,提出一种添加高斯噪声和随机遮挡以及仿射变换的红外图像数据扩充方法;（3）针对红外序列图检测中的运动模糊和准确率低的问题,基于空时约束目标检测的思想,提出了一种基于卡尔曼滤波约束的HLPANet网络检测算法,其中包含跨阶段特征组合的骨干网络、注意力模块和特征融合模块。在使用CSFResNet101、HLPA模块和级联特征金字塔的情况下,本文中的红外测试数据集mAP可达0.68。（4）针对前面设计的空时约束检测算法流程过于复杂的问题,通过分析视频目标检测网络模型的优缺点,研究并设计一种涵盖全局和邻域信息增强的视频目标检测网络,实现红外序列图的端到端检测,本文测试集中的mAP可达0.708。