在远程预警和空间监视等领域,红外弱小目标检测和跟踪一直是一项重要任务。由于红外系统的成像距离较远,与红外图像背景相比,真实目标只占极其小的一部分,可使用的纹理、颜色、形状特征十分匮乏。同时,天气、成像系统等因素造成的噪声也在不同程度上影响红外弱小目标的能量强度和分布。现有的红外弱小目标检测算法在面临复杂背景时鲁棒性较差,存在漏检多、虚警高的情况。注意到红外图像的背景环境具有丰富特征的特点,围绕卷积神经网络对特征信息的强大学习能力,重点展开复杂背景下红外弱小目标重建检测学习框架的研究。尽管近几年涌现出许多新颖的弱小目标检测方法,但是面对缺乏纹理、形状、颜色等特征的红外弱小目标,依然存在许多问题未得到有效解决,主要有以下两个:一是现有弱小目标检测方法不具备尺度不变性,不能实现弱小目标的鲁棒性检测。二是现有弱小目标检测方法不能学习背景中的有效特征,无法将目标与背景准确分开。基于此,本文提出两种基于环境信息的红外弱小目标重建检测算法,主要工作以及贡献如下:（1）针对现有可学习弱小目标检测方法不能提取有效特征的问题,提出一种基于目标生存环境的弱小目标分析重建网络,用于挖掘目标的局部上下文信息。为了有效分离目标与其生存环境,在目标周围提取一个3D张量,将其用于所提出分析重建网络的输入。然后通过一系列3D卷积提取目标与环境的多尺度特征,实现弱小目标的重建。为了提高模型重建能力,采用跨连接的方式融合目标与环境的各级语义特征。同时在网络中加入注意力模块提取重要语义特征,提升弱小目标重建效果。实验表明,所提出方法能在复杂背景情况下有效重建弱小目标,同时抑制背景杂波,表现出良好的检测性能。（2）弱小目标几乎淹没在杂乱的背景中,很难通过局部对比测量或者视觉显著性测量进行检测。我们将小目标视为低秩背景中一个稀疏的轻微扰动,这种扰动小概率重复出现在相似局部背景的相同位置上。设计了一个相似局部区域特征度量模块,在全局背景中搜索与目标局部背景最相似的图像块,然后联合这些相似的非局部图像块进行联合学习,实现弱小目标的精确重建。同时我们精心设计了一个融合多层级特征的弱小目标和背景重建神经网络模型。整幅图像完成目标重建与背景去除后,实现弱小目标的检测与定位。在仿真数据和多类别真实数据上进行了实验分析,结果表明我们的方法获得了良好的检测精度,在目标更小、更弱的情况下,优势更为明显。