针对复杂场景下红外图像中弱小目标像素占比少、特征细节不明显致使目标特征提取困难、检测准确率低的问题，提出了一种基于注意力机制的复杂背景下红外弱小目标检测方法。该方法以YOLOv5网络为基础，设计SimAMC3注意力机制模块，优化网络的特征提取层；设计目标检测头，通过增加特征融合层来改变其开始进行特征提取的深度，获得新的弱小目标检测层，使浅层特征层更好地保留弱小目标的空间信息；改进预测框筛选方式，提高距离相近或重叠目标的检测精度。实验选取了两个SIRST红外弱小目标图像数据集，对其进行标注并训练。实验结果表明，改进后的算法与原YOLOv5算法相比，平均精度均值（mAP）分别提升了4.8%和7.1%，在不同复杂背景下均可有效检测出红外弱小目标，体现了良好的鲁棒性和适应性，可以有效应用于复杂背景中的红外弱小目标检测。

针对红外图像序列中复杂背景干扰下容易出现的高虚警问题，提出一种基于 ${L_{1 - 2}}$时空域总变分正则项的红外弱小目标检测算法。首先，将红外图像序列转化为时空域红外张量块，该步骤可利用张量的高维数据结构优势关联图像序列中的时空域信息。然后，利用加权Schatten $p$范数和 ${L_{1 - 2}}$时空域总变分正则项对低秩背景成分进行重构，以保留背景中起伏剧烈的边缘和角点，提高稀疏目标的重构精度。最后，将目标张量恢复为图像序列，利用自适应阈值分割方法得到最终的目标图像。与另外5种检测算法进行对比实验，结果显示，该方法的虚警率较Maxemeidan算法、Tophat算法、LIRDNet算法、DNANet算法以及WSNMSTIPT算法平均分别下降了71.4%、71.1%、68.5%、74.3%和20.47%；而在检测实时性方面，该算法耗时为Maxemeidan算法、DNANet算法以及WSNMSTIPT算法的42.4%、82.9%和28.7%。实验结果验证了该方法在检测性能上的优越性，表明该算法能够显著提高复杂背景干扰下的目标检测精度和效率。

当目标远离红外系统，其在成像图像上的尺寸较小且信息量较少，使得小目标的持续精确定位成为一项有挑战性的问题。针对这一问题，在相关滤波跟踪框架上，引入能够区分红外弱小目标边缘信息与杂波噪声的侧窗图像滤波方法，提出了一种弱小目标跟踪算法。具体来说，首先利用时空正则化的相关滤波跟踪模型，对目标位置附近更大范围的背景进行考虑。然后，利用侧窗滤波对当前局部搜索区域进行侧窗滤波处理，达到了保留边缘效果的同时剔除了图像噪声。最后，通过原始图像与滤波后图像作差，降低了背景边缘对目标定位错误的影响，并实现小目标状态估计。为验证本文所提算法性能，采用六组红外真实弱小目标图像序列进行实验，并与核相关滤波、空间正则化的相关滤波，以及时空正则化的相关滤波等经典算法作比较。实验结果表明，所提算法在多组复杂背景的图像序列上，获得了较高的跟踪精度，验证了所提算法能有效应对红外弱小目标跟踪任务中的快速运动、低分辨率和强背景杂波等问题。