基于复杂背景下的红外小弱目标检测与跟踪技术,是红外制导、防空预警等领域的关键技术,由于红外成像系统自身噪声和探测器距离目标距离远等原因,目标在红外图像中通常表现为亮度值低、像素数少的小弱目标,并且淹没于起伏强烈的噪声中,导致目标探测难度很大。因此,研究一种低信噪比情况下的红外小弱目标检测技术具备理论和实用意义。稀疏贝叶斯方法将结构先验信息与样本信息相结合,使用概率去表示所有形式的不确定性,通过贝叶斯定理来学习信号状态,充分利用信号稀疏表示系数的空间结构和时序结构,参数化性能卓越。虽然贝叶斯理论依旧处于发展探索阶段,但是它在信号处理领域表现出了很大的潜力。基于上述背景,本文利用稀疏贝叶斯理论对序列红外图像小弱运动目标检测方法进行了深入研究,全文的主要研究内容及成果有:(1)分析了红外小弱目标图像的能量特性和图像场景特性,结果显示目标能量突出,场景不同导致背景杂波明显。(2)对于目标图像的时域和空域稀疏特性进行分析,实验结果表明图像在时域稀疏表示存在很强的相关性,在空域原子聚类后,可以某一类原子表示目标图像的主要特征。(3)对连续帧图像的稀疏分解系数进行统计分布拟合与检验,对比不同核函数的拟合效果,构造了拟合效果最好的Gaussian函数分布模型。(4)提出了基于稀疏贝叶斯的红外小弱目标检测方法,充分学习前序帧系数的空间结构和时序结构,对于红外图像中的图像块分别求取其稀疏分解系数的分布函数,利用贝叶斯最小错误率准则,通过和先验的目标和背景图像块稀疏分解系数的分布函数对比,判断测试图像块是否为目标图像块,完成目标的检测。实验结果表明,将将稀疏贝叶斯理论引入到红外小弱目标检测领域,能够将图像信号的前序帧的先验信息应用于后续帧的目标检测中,克服了传统空域字典只能描述目标形态的缺陷,更有利于目标的检测。