红外小目标检测是对红外图像中的小目标进行定位和分割的技术,其在精确制导、武器制造和监控预警等领域具有重要的应用价值。但由于成像距离远、成像环境复杂,且小目标的辐射强度受大气辐射和环境辐射的影响而被削弱,导致红外图像中的小目标具有尺寸小、信号弱、形状纹理特征不清晰等特点。因此,红外小目标检测是一个具有挑战性的研究课题。基于红外小目标的特点,本文将检测任务建模为更细粒度的分割任务,并选择UNet作为基础网络架构开展红外单帧小目标检测算法研究。通过对红外小目标特性和检测难点进行深入分析,本文提出了一个基于U-Net的具有高检测率和低虚警率的红外小目标检测算法。本文主要研究内容和创新点如下:为解决红外小目标检测精度不足的问题,本文通过对图像尺寸、目标大小和背景类别等进行统计分析,提出了基于跨层上下文信息聚合的红外小目标检测算法CCIA。该算法首先设计了一个随机尺度输入模块,以强化网络对不同尺度输入目标的处理能力;然后提出了一种双注意力上下文信息聚合模块,实现了网络深浅层信息由粗到细的高效融合。具体而言,该模型首先使用通道注意力分别对深浅层特征进行信息筛选,然后使用浅层细节特征对深层语义特征进行注意力调制。最后,浅层特征图经过自下而上的逐点注意力的结果与调制后特征进行融合,实现了通道和空间两个维度的上下文信息聚合,充分保留和突出红外小目标的特征。同时,本文重新设计了U-Net的下采样方案并使用残差块作为上下采样过程中的特征提取模块,在缓解梯度消失现象的同时有效解决了深层小目标信息容易丢失的问题。实验结果表明,与U-Net相比,CCIA算法对小目标的检测精度更高,其Io U和n Io U分别提高了0.03和0.023,检测率提高了8.22%,虚警率降低了59.22%,网络模型复杂度降低了7%,运行时间为0.155秒,仅仅比U-Net慢了0.011秒,具有较好的实时性。红外小目标由于所占像素少、缺乏清晰的纹理形状,在复杂环境下易受杂波和噪声干扰,导致目标检测任务中漏检和误检问题严重。因此,为了进一步降低虚警率,本文在CCIA算法的基础上,提出了一种基于非局部依赖的红外小目标检测算法NLD-CCIA。考虑到卷积操作和池化操作均为局部操作,无法关注到全局信息,所以本文基于非局部注意力的思想,设计了跨层非局部特征融合模块,并将其与非局部注意力模块进行组合,加入CCIA网络中。首先,非局部注意力模块可以获取远程依赖,学习更多的上下文特征,从而更好地区分小目标和虚警。其次,跨层非局部特征融合模块通过对浅层特征下采样之后计算非局部依赖,有效降低了计算量。同时,通过融入深层语义特征依赖,可以获取更丰富的全局依赖信息,进一步降低虚警率。实验结果表明,与CCIA算法相比,NLD-CCIA算法的Io U和n Io U分别提高了0.008和0.006,检测率提高了0.02%,虚警率降低了2.78%,网络模型复杂度仅增加了0.03M,运行时间仅减慢了0.056秒,说明NLD-CCIA算法在降低虚警率的同时也提高了检测精度,并且具有轻量的网络结构,能够满足实际应用对实时性的要求。