经过几十年的研究和探索,红外小目标检测和跟踪研究仍然是红外领域研究的热点问题。随着红外技术的发展和对防空武器系统要求的提高,对目标的探测距离和精度等指标也随之升高,致使小目标尺寸减小,杂波背景对其检测和跟踪工作的影响更加严重,这就要求对小目标检测与跟踪算法不断深入研究,所以探讨一类能够应对复杂环境变化、对处于低信噪比环境下的机动性目标进行有效、稳健地检测和跟踪的算法更加迫切且更具实际意义。因此,本文重点研究了红外图像预处理技术,以及处理对象是机动性目标的检测和跟踪算法,主要研究内容和创新性工作归纳如下:首先,对红外图像预处理技术进行了系统研究,对几类常用的预处理方法进行了集中介绍,统一对比了几种滤波方法的性能,其中,中值滤波和Top-hat滤波效果最优。本文在传统Top-hat滤波算法的基础上进行改进,提出了结构元素中心加权的Top-hat滤波算法,滤波效果大幅度提高,随后研究了中心加权值的取值大小对滤波效果的影响。通过实验得知,开始时图像信噪比会随着加权值增大呈上升趋势,但之后n值过大时,会破坏目标的外观信息,甚至目标也会随着背景一起被滤除。其次,为了有更好的分割效果,对原有的基于最大值搜索的自适应阈值法进行了改进,增大了整体最大值对最终阈值的影响,赋予其一定权重,提高了分割阈值,使分割结果中的候选目标个数大量减少,为后续的小目标检测和跟踪任务减轻负担。而在分割后对目标尺寸的影响可以通过而积补偿操作进行复原。再次,研究并提出了结合形态学滤波和运动相似模型的红外小目标检测算法,利用改进的Top-hat滤波算法和自适应阈值分割提取出候选目标,引入了基于卡尔曼滤波激励机制的运动模型和运动相似模型,根据前后两帧图像中候选目标的运动相似性对小目标进行检测。实验表明本文算法能够实现信噪比较低的复杂背景下的小目标检测任务。最后,提出了两种目标跟踪算法,第一种算法是基于卡尔曼滤波器的多模型的红外小目标跟踪算法,建立了基于卡尔曼滤波激励机制的小加速度变速运动模型,对小目标的运动轨迹进行估计,在估计位置邻域内利用运动相似概率和外观相似概率的联合概率实现了对小目标的匹配追踪。实验表明,该跟踪算法都能够对信噪比较低的复杂背景下的机动小目标进行精确、稳健的跟踪,且在目标出现机动时能及时调整重新回到正确轨迹上来。第二种算法是基于图像稀疏理论的红外小目标跟踪算法,利用字典学习的方法生成了最优的超完备红外小目标字典,基于该字典,目标图像块和背景图像块的稀疏表示系数有明显差异,建立了从稀疏表示系数关联到每个候选目标为待跟踪目标概率的新参数模型,由此来确定跟踪轨迹,实现对小目标的跟踪。实验表明该算法适用在相对较高的信噪比环境下的小目标跟踪问题,在此情况下能够实现精确跟踪。