采用红外成像探测器对海面目标自动检测技术在民用船只定位、港口监控和军事舰船检测方面得到了广泛应用。而对强杂波干扰海面目标的准确定位和实时检测,成为当前研究的热点之一。针对强杂波干扰红外图像海面弱目标检测,首次提出一种基于中心围绕抑制(CAS)的滤波算法;在此基础上,设计并实现了基于CAS滤波的强杂波干扰下红外弱目标实时检测算法;首次将卷积神经网络CNN模型引入红外图像海面弱目标检测领域,获得了很好的效果。由于海面目标红外成像会受到云层遮挡、光照、烟雾弹等复杂信号的干扰,表现为强杂波;而红外弱目标成像像素数少,信号强度弱,呈现斑状或条形状,目标形状信息不充分,表现为少像素弱目标。针对这种强杂波红外图像海面弱目标,提出基于CAS的滤波算法。该方法利用图像局部的概率密度分布,通过图像邻域信息的对比反差建立CAS模型,实现背景抑制、目标增强。实验验证了该方法不仅效果良好而且非常有利于硬件实现。在对图像进行CAS滤波之后,再对分割、标记等算法进行优选,并采用感兴趣区提取的方法,设计一种基于CAS滤波的红外弱目标实时检测算法;并给出基于FPGA/DSP架构的红外目标实时检测系统实现,将目标检测任务进行空间并行分解,让多处理器协同工作,有效提高算法实时性。实验验证了红外目标实时检测系统不仅能够成功地检测强杂波干扰红外图像海面弱目标,而且满足高可靠性、高实时性的实际应用要求。为了进一步提高对强杂波干扰下红外图像海面弱目标检测正确率,将深度学习技术引入红外图像海面弱目标检测领域,将目标区作为正样本,将背景区作为负样本,构建卷积神经网络CNN模型并在深度学习框架CAFFE下进行了模型配置和训练。通过对比实验,在性能方面,基于CNN的目标检测算法目标检测率高、适应性强,优于基于CAS滤波的目标检测算法。