复杂背景下红外目标检测是基于红外图像,对多种复杂场景进行分析与理解,获取兴趣目标类别与方位的计算机视觉技术。当前,复杂背景下红外目标检测主要面临两方面的问题,一是缺少相关数据集,二是模型收敛速度慢、检测精度低。针对上述问题,本课题采用深度学习方法对复杂背景下的红外目标检测技术进行了深入研究,主要工作如下:（1）构建了针对红外目标检测的网络模型。检测网络以YOLO系列模型为框架,采用CSPDark Net-53作为特征提取网络,特征金字塔结构为特征融合网络。为使深度网络能够有效地学习到复杂背景下的图像特征,加入了高效聚合网络模块,同时引入了协调注意力机制。构建的模型有效提升了红外目标检测精度。采用红外图像数据集对构建的模型进行测试,实验结果表明相较于基准网络模型,各类目标平均正确率从34.9%提升至38.1%。（2）提出了复杂背景下的实例特征预训练方法。针对复杂背景下目标检测网络收敛速度慢的问题,该方法首先构造一个图像拼接模板,将输入图像重构为具有复杂背景的图像。然后采用重构图像,对特征提取网络进行预训练;最后借助迁移学习技术将得到的预训练模型加载到检测网络中。同时,在数据处理阶段引入了Mosaic数据增强技术,有效解决了训练数据缺乏的问题。实验结果表明网络模型收敛所需要的迭代次数减少为原来的一半,收敛速度得到有效提升。（3）进行了充分的消融验证与对比实验。消融实验由参数消融和模块消融两部分组成。通过参数消融确定了最优的网络模型参数;在模块消融实验中对每个模块进行消融训练,确定了模块对网络性能的影响。在对比实验中对比分析了本文模型与当前主流方法的红外目标检测性能。结果表明,本文模型对各类目标的现有检测精度均有提升,其中对行人正确率提升最明显,从77.2%提升至88.1%。