红外弱小目标检测技术已经在许多领域得到了应用，但是在背景复杂的情况下仍然存在一些问题。一个关键因素就是强边缘以及点噪声和小目标的特征非常相似，这样就易导致目标判断失误；另一方面，算法的实时性和高检测性难以兼顾。针对这些问题，本文的主要工作如下：

    为弱化复杂背景中强边缘的干扰，以及提升算法实时性，提出了一种基于分组红外图像块张量(Group Image-Patch Tensor, GIPT)模型的弱小目标检测方法，它利用红外图像的结构信息来促进目标和背景的分离。首先利用结构张量描述原始图像的特征,然后将目标分量假定为一个具有点特征的区域作为加权稀疏正则化项，将背景区域分别建模为线特征部分、点特征部分和平坦特征部分，再利用一种新的分组低秩算子分别恢复背景区域的每一部分。该模型能够使优化过程并行运行，大大降低了算法的复杂度，实验结果也表明了该方法相对于其他6种算法在运行时间和背景强边缘抑制上的巨大优势。

    复杂背景中所含的点噪声严重干扰了红外弱小目标检测，为了进一步提升张量模型的算法性能，提出了一种基于超像素分割的弱小红外目标检测算法。所提算法利用超像素分割的方式构建张量来保证图像块局部结构的完整，以便更好地探索背景低秩性，同时降低了算法对滑动窗的敏感性，然后对角点强度、梯度方向一致性和局部信息熵进行融合，并将其作为目标先验，再结合重加权策略，构建目标权重，去除显著边缘和点噪声干扰，完成检测模型的构建，最后，采用自适应阈值分割的方法保留目标。测试结果表明，所提算法与现有5种算法相比，具有更好的目标增强能力和背景抑制能力，对噪声也有着良好的鲁棒性。

    综上所述，本文对复杂背景下的强边缘和点噪声两类干扰进行了研究，通过设定不同的目标先验对其抑制，均达到了理想的效果；而为了提升算法的实时性，对张量的构建方式进行了研究，提出了分组的并行求解策略来加速算法，降低了算法的时间复杂度。