红外成像系统相对于可见光成像系统而言,具备探测距离远、造价成本较低、全天时工作的优点,红外目标检测技术被广泛的应用在夜间监控和军事领域中。在远距离情况下,红外图像中的目标特征弱、颜色缺失,因此,红外远距离目标检测极具挑战性。近些年来,基于深度学习的光学目标检测算法取得了广泛的研究和应用,但是目前基于深度学习的红外小目标检测算法仍然在一些方面存在缺陷,因此,本文针对红外小目标的特点分别设计了基于深度学习的单帧与多帧红外小目标检测网络。本文的研究对象是单帧和多帧红外图像中的远距离小目标,通过深度学习的方法,实现对单帧和多帧红外图像中的远距离小目标进行检测,主要工作和创新点如下:（1）针对本文的研究对象,构建了两个数据集——单帧与多帧红外远距离行人数据集。现有的公开红外行人数据集目标较大,检测难度较低,不能体现红外成像系统探测距离远的优点。本文构建了远距离拍摄的红外小目标行人数据集,为后续的单帧以及多帧红外行人检测打下了坚实的基础。（2）提出了基于注意力机制的单帧红外图像小目标检测网络。本文第三章设计了一种空间注意力机制,将其应用到Refine Det网络中,并基于对行人宽高比的统计,在Refine Det网络中设计了基于行人宽高比的先验框。Refine Det网络具有较高的运行效率及检测精度,而注意力机制可以从输入特征图中选择目标的关键细节信息,两者的结合更有利于红外小目标检测。（3）提出了背景差分法与神经网络联合的多帧红外图像小目标检测网络。本文第四章在第三章的基础上,通过最近邻（KNN）背景差分法来引入多帧图像中的帧间信息,能够抑制背景,突出目标,有利于神经网络对于特征的提取,改善了虚警、漏检的情况。