弱小目标检测技术与国民安全密切相关,其在保障领空安全、机场净空防护以及军事敏感地区的空中管制等领域具有广泛的运用和重要的价值。小目标成像区域小、特征信息弱、尺寸变化范围大,这些特性导致其在实时系统中难以被准确地检测出来,因此如何从复杂变化的背景中实时、准确地捕获目标并及时发出预警是该项技术的核心关键,也是本课题的研究重点。基于该问题,论文做了以下工作:基于传统弱小目标检测方法,论文提出了一种多尺度滤波器融合检测算法来有效解决传统滤波算法难以适用于目标尺度变化时的检测问题,首先通过对图像进行不同尺度地降采样来构建图像金字塔,然后在每个尺度空间使用级联滤波器进行背景抑制后采用自适应阈值分割方法获取目标信息,最后融合各尺度空间中的目标信息实现多尺度目标检测,该方法通过结合级联滤波器和图像金字塔的检测方式有效地降低了算法的计算量。传统弱小目标检测方法大多基于人为设定的规则,在实际应用中难以找到适用全局的匹配规则,因此该类方法往往只在某些特定场景下表现良好,却难以适用于其他场景。基于深度学习的目标检测算法通过数据驱动建模的方式让模型在训练过程中自主地选择特征并不断优化选择,使模型能够学习到各种不同场景下的特征,论文基于轻量级目标检测网络Mobile Net V2＿SSD,通过引入特征金字塔结构来提升模型对小目标特征的表达能力,实验结果表明,改进模型具有原模型相近的检测速度,但对小目标的检测精度有了明显提升。自编码器可以实现对输入信号的精确复现,从小目标图像的特性出发,论文提出使用卷积自编码器网络来对小目标图像进行背景重建,训练网络使其能将输入图像映射为不含目标的背景图像,之后通过差分以及图像分割技术获取目标信息,实现小目标的实时、准确检测。论文中采用步长为2的卷积层来代替池化层进行降采样,保证了网络的特征提取性能。实验结果表明,基于卷积自编码器的弱小目标检测算法比传统基于背景抑制的滤波算法具有更好的检测性能。