1、隨著科技的進步，人工智能逐漸應用于各種場合，特別是在圖像處理方向，人工智能更是取得了巨大的進步。紅外圖像是通過熱感應攝像機拍攝到的一系列灰度值圖像，目標的熱度越高，其在圖像中顯示的灰度值也就越大。通常，飛機、導彈等熱量極高的物體通常在紅外圖像中顯示為一個亮點，而云背景雜波的灰度值相對較低，因此可以清晰的看出飛機和導彈的運動跡象。但是，在目標距離攝像機較遠時，或目標與云背景有重疊時，其灰度值并不比云背景高出太多，且目標的形狀較小，通過人眼

2、很難注意到。而且，人工觀察紅外圖像的小目標需要消耗極大的人力，也無法做到24小時實時監(jiān)控，準確性與實時性都不能夠令人滿意。因此，紅外圖像中弱小目標的自動檢測技術應時而生，越來越多的方法被用來檢測小目標。
　　目前圖像識別領域最好的算法通常是深度學習算法，如卷積神經網絡（Convolutional Neural Networks CNN）、長短時記憶網絡(Long Short Term Memory Network，LSTM)等。但

3、深度學習算法通常無法用于識別紅外圖像的小目標，因為小目標在整幅圖像中所占面積極小，對整幅圖像的影響也不大。而深度學習算法通常是將整幅圖像作為訓練數(shù)據輸入，因此直接采用深度學習算法很難準確地識別出小目標，而且深度學習還需要消耗大量的時間，不能夠滿足小目標識別的實時性要求。傳統(tǒng)的小目標識別算法通常是基于提升小目標區(qū)域的對比度，之后通過一些圖像分割算法，如閡值分割等，對小目標區(qū)域進行提取。采用這種方法可以應用于大多數(shù)情況，但當小目標的灰度值低

4、于云雜波的灰度值時，傳統(tǒng)的方法通常很難正常識別。
　　為解決以上的問題，本文提出了一種將傳統(tǒng)圖像對比提升算法和機器學習算法相結合的小目標識別方案，同時包含了兩類算法的優(yōu)勢，在保證小目標識別準確率的同時，極大地降低了小目標識別的虛警率，即很少會錯誤檢測，把背景識別出小目標。本文算法分為三步:首先，采用LoG卷積函數(shù)對原始包含小目標的紅外圖像進行卷積，提升小目標區(qū)域的對比度;其次，采用閾值分割算法，設定一個較低的閾值，提取出所有可能是