红外弱小目标检测是军事、交通、监控等领域的热点研究问题之一,但由于成像距离远,目标呈现出微弱的点状特性,没有明显的纹理和边缘信息,给目标检测带来了很大的难题。目前,针对不同背景下的红外弱小目标图像,学者们提出了不同的检测算法,但鲁棒、通用的红外小目标检测算法一直是本领域追求的目标。以不同背景下的机载红外弱小目标图像序列为研究对象,论文应用张量分解理论研究红外弱小目标检测方法及算法,主要工作如下:介绍了张量的基本理论,利用其高阶结构能够保存数据的原有特征,将红外视频转化为三阶张量以表征目标的空间相关性和时间连续性。分析了红外弱小目标图像序列的特性,可将其分为目标、背景、噪声三部分张量,其中背景张量表现出低秩性,目标张量表现出稀疏性。张量分解可以准确挖掘出数据的隐含信息,进而辅助从原始图像序列中分离出目标,因此将红外弱小目标检测问题转换为张量的低秩稀疏分解问题。提出了基于带权重的张量鲁棒性主成分分析（Weighted Tensor Robust Principal Component Analysis,WTRPCA）的红外弱小目标检测算法。用基于张量t积的张量核范数描述背景张量的低秩性,带权重的7)₁范数描述目标张量的稀疏性,并用拉格朗日乘子法迭代求解。实验证明,三维模式下的张量低秩稀疏分解能更有效地分离出目标,且加入权重因子的WTRPCA算法能更好地抑制图像的背景和噪声。提出了基于贝叶斯框架张量低秩稀疏分解（Bayesian Tensor Low-rank Sparse Factorization,BTLSF）的红外弱小目标检测算法。首先针对红外视频特征,分别假设低秩背景张量、稀疏目标张量、噪声张量的概率分布模型。针对背景低秩张量,通过最小化因子矩阵的列数来最小化张量的秩,解决了张量的秩需要提前给定的难题。在目标稀疏张量部分引入马尔科夫模型进行轨迹约束,滤除虚警。同时,对噪声模块单独建模,利用贝叶斯框架推导出噪声统计量的近似表达式,增强了算法对不同噪声的鲁棒性。仿真了具有不同局部信杂比的弱小目标红外视频,对算法进行了测试,在局部信杂比降低至1.3左右时,本文算法的检测率仍能达到0.8889。最后针对不同的红外弱小目标场景,将本文算法与一些优秀的现有算法进行实验对比,本文两种算法在目标增强和背景抑制方面的表现都优于其他算法,能实现不同场景下的红外弱小目标检测。