近年来随着人工智能的发展，目标检测作为计算机视觉的重要任务之一，在军事和民用领域应用广泛。目前基于深度学习的目标检测算法已经日渐成熟，取得了显著的成果，但绝大部分的研究都使用的是可见光图片，缺少基于红外条件下的研究。

红外成像技术具有作用距离远，抗干扰能力强，能够进行全天候监控等特点，广泛应用于自动驾驶、安防等领域。相比于可见光图像，红外目标检测所面临如下挑战：红外图像具有信噪比低，目标纹理特征少，分辨率低等特点，目前主流的目标检测网络进行红外目标检测时效果不好。鉴此，本文主要针对的问题有：1）红外图像成像模糊，对比度低等特性使网络检测精度大幅下降；2）目前开源的红外数据匮乏，需要进行数据增强来提高网络的泛化性；3）当图像中存在目标尺度跨度大的情况时，影响检测算法的性能；4）目标检测算法存在定位不准问题；5）特殊任务需要将算法移植到嵌入式平台存在算力，存储等问题。主要研究内容如下：

针对目前开源红外数据匮乏以及红外图像存在信噪比低、分辨率低等问题，严重影响目标检测的性能，依据红外图像特点，分析了目前主流的图像增强方法，提出了一种基于通道扩展的红外图像数据增强算法。该算法利用红外图像为单通道的特点，通过信息选择与增强算法生成适应目标检测的红外图像，实现红外图像的通道扩充与数据增强，有力增加原始图像的信息量，达到提高网络的检测精度的目的。

在目标检测方面，从检测精度与速度的角度，选择具有速度优势的YOLOv3算法作为红外目标检测的基础网络，主要解决YOLOv3网络中用于检测大中型目标的特征图由于感受野不够大导致YOLOv3网络在小目标上精度提升但在中型和大尺度目标上的性能变差的问题。因此本文提出在特征提取网络后添加SPP模块，将局部特征和全局特征融合，提高网络的特征表达能力，增大网络的感受野，并且通过修改损失函数进一步提升算法的定位能力。经实验验证，该算法对图像中大目标检测精度明显提升，能够适应目标尺度变化并且定位更加准确。

为了满足实际项目需求，需要将红外目标检测算法移植到嵌入式平台上，但目前主流的检测网络都比较复杂，难以部署到嵌入式平台上。因此本文对比目前主流的轻量级网络，选择精度较高的YOLOv4-tiny网络，使用可见光无人机数据集训练好的模型在无人机数据集上继续训练，加速网络的收敛，并使用基于通道扩展的红外图像数据增强算法进行数据增强。通过使用自建的红外无人机数据集进行测试，实验结果表明，改进后的算法能进一步提升检测精度，并且将训练后的算法移植到TX2平台上基本能实现实时检测。

综上，本文针对红外目标检测中目标信噪比低、分辨率低、目标不易识别、易于检测错误等问题，开展了红外图像预处理、图像数据生成通道扩充与数据增强的研究，基于增强数据提出了适应复杂场景多尺度红外目标的检测算法，并对其在嵌入式平台进行了实时实现，实验表明该算法在嵌入式平台上有效实现红外目标的实时检测。