为了加强重点区域的安全防卫与隐私保护,对该空域出现的飞行器进行检测极为重要,但在机载复杂场景下待检测目标在图像中所占像素较小、辐射较弱,易淹没在复杂背景中。因此本研究旨在实现机载多场景红外弱小目标的低虚警探测。主要工作内容和研究成果包括:（1）对红外成像、弱小目标特性以及检测中虚警点进行分析,研究表明红外弱小目标在图像中符合点扩散函数,虽然目标易淹没在杂波背景中,但在邻域内具有较明显辨识度,为后续算法研究提供思路与方向。（2）针对本次网络训练要求,设计半自动标注软件进行红外弱小目标数据集制作,为训练提供充足样本。（3）对现有经典目标检测算法进行仿真分析,针对传统检测方法仅能检测全局显著性目标和深度学习检测方法对红外弱小目标检测效果不佳且实时性较差的问题,本研究提出一种用于机载红外弱小目标检测的轻量化网络IRI-CNN,在网络中有以下改进:（1）鉴于DOG、LCM等模型驱动的传统算法具有局部显著辨识能力,将其融入数据驱动的神经网络训练中。（2）为了防止全连接个数过多产生过拟合,采用平均池化代替全连接,同时拼接各层特征图通道数作为输出向量长度,实现多层预测。（3）针对现有锚框定位方式实时性差定位准确率低,采取传统检测代替锚框定位方式,并引入组卷积提升实时性。（4）针对地面下视场景中部分干扰点与目标具备相似灰度特性与极限距离弱小目标不易检测的问题,采用P3D主干网络提取帧间轨迹语义信息,进一步剔除干扰点,提升准确率。实验结果表明本算法框架在不同场景可实现93.4%～99.5%的预测精度。此外该文中提出的模型驱动与数据驱动相融合的网络学习思想为红外图像处理领域提供了有益的借鉴作用。