作为红外预警探测领域的关键技术，适应于不同复杂场景下的红外弱小目标检测算法一直受到国内外研究人员的广泛关注。随着红外预警探测技术的发展以及军事化作战需求的提高，满足低虚警、高检测精度的红外弱小目标检测算法一直是国内外研究重点。
红外弱小目标检测算法主要分为多帧检测和单帧检测，多帧检测利用多帧图像中运动目标的连续性和相关性实现红外小目标检测，而单帧检测主要利用单帧图像，提取小目标在红外图像中的梯度、灰度、对比度等特征，通过目标增强或背景抑制等方式实现弱小目标检测，相比多帧检测，具有复杂度低，执行效率高，便于硬件实现等优点。
据麦姆斯咨询报道，近期，华北光电技术研究所刘征等人在《激光与红外》期刊上发表了以“红外单帧弱小目标检测算法研究综述”为主题的综述文章。
这项研究首先从成像特点、数学模型构建以及背景杂波干扰等方面阐述了弱小目标的特征与检测难点。然后分类介绍了近些年来提出的单帧弱小目标检测算法，并对算法的优势和不足进行了分析。最后结合当前红外预警探测领域的实际应用需求，分析了红外弱小目标检测算法未来的发展趋势。
红外弱小目标这一定义分别指出了目标的两个特性，即“弱”和“小”，其中“弱”指的是目标信噪比低、与背景之间的对比度差、红外辐射强度弱；而“小”指的是目标像素少，检测时难以获得纹理信息，可考虑的信息只有灰度和位置。
红外单帧弱小目标检测算法主要通过图像预处理突出小目标同时抑制背景噪声干扰，之后采用阈值分割提取疑似目标，最后根据特征信息进行目标确认。由于单帧检测的算法复杂度较低，检测效率高，因此目前绝大多数的高速运动目标检测平台等都是采用的单帧红外弱小目标检测算法。
红外单帧弱小目标检测算法包括：①基于滤波的检测算法；②基于人类视觉系统的检测算法；③基于图像数据结构的检测算法；④基于深度学习的智能检测算法。
基于滤波的检测算法，由于红外探测系统得到的单帧图像中，红外小目标的纹理、大小等特征信息往往难以获取，通常红外小目标检测是基于小目标和背景之间的灰度差异。滤波方法的原理就是利用像素灰度差异来突出小目标，并去除周围背景噪声干扰。目前这类方法大体可分为空间域滤波和变换域滤波。空间域滤波的方法主要有：空域高通滤波、最大中值和最大均值滤波、Robinson Guard滤波器、双边滤波算法、数学形态学方法和二维最小均方滤波器（TDLMS）。变换域滤波应用较多的这类方法主要有频域高通滤波、小波变换滤波、多尺度几何分析、二维经验模式分解（BEMD）以及离散余弦变换（DCT）。
基于人类视觉系统（HVS）的检测算法，人眼可以快速定位到感兴趣区域，并获取其中的感兴趣目标，这一行为主要是人眼根据对比度区别目标和背景而不是亮度，以此来获取视觉显著性区域。根据HVS的特性，红外图像中目标的显著性特征主要包含对比度、大小、形状等等。所以红外小目标检测中引入了局部对比度、视觉显著性图、多特征融合、多尺度等理论机制。
基于图像数据结构的检测算法，将图像数据结构引入到红外小目标检测算法中，利用了红外图像中背景的非局部自相似性和目标的稀疏特性，即背景块属于同一低秩子空间，而目标相对整体图像尺寸较小。目前比较典型的基于图像数据结构的方法主要有红外图像块（IPI）模型和稳健主成分分析（RPCA）。
基于深度学习的智能检测算法，能通过训练提取数据中深层次的中层以及高层特征，用以目标表征，提升目标检测的鲁棒性。目前将深度学习应用于红外小目标检测最大的局限性在于，待检测的红外小目标尺寸过小，缺乏纹理、结构等特征，而神经网络中往往采取下采样操作，导致目标在特征图上尺寸仅占据几个像素，使得检测器难以提取出有效特征，导致小目标检测效果差；同时考虑到实际红外工程应用中对算法的实时性和硬件负载能力均有限定，神经网络架构移植到常用的FPGA ＋ DSP硬件架构上的难度较大。
结合当下红外预警探测系统的发展需求以及各个领域逐渐引入人工智能思想的热潮，可以预见未来红外弱小目标检测的发展趋势如下：
（1）首先，考虑到红外预警探测对探测距离、成像质量、复杂背景环境下的适应能力等需求的提高，在硬件上研制大规模、高分辨率、多波段、超高密度集成和轻型化的焦平面器件，仍然是推动红外弱小目标检测研究必不可少的一部分。
（2）其次，由于单一波段的红外探测系统的性能总是有限的，由单波段检测推广到研究红外多光谱融合探测技术，高光谱探测技术以及多传感器信息融合技术，进行信息互补，实现预警系统一体化，有效解决单一波段或单一探测器探测性能的局限性。
（3）最后，创新和改进现有的红外弱小目标检测算法仍然是目前研究的重点。利用深度学习模型架构进行红外弱小目标检测，完善红外弱小目标数据集，同步考虑神经网络模型架构硬件移植的可行性，后续研究可以利用FPGA高速并行计算、低功耗的优势，在FPGA上搭建神经网络架构，加速神经网络计算，保证算法的检测效率与实时性。
