（苏州科技大学 电子与信息工程学院，江苏 苏州 215009）

0 引 言

目标检测的精准性将直接影响红外探测系统性能的优劣。现代高科技战争中，随着武器速度和红外隐身技术的提高，对目标探测距离和探测的实时性提出了更高的要求。即使目标本身很大，由于远距离和高隐身性，目标的红外辐射强度、辐射面积和对探测系统所成张角都很微弱。在成像平面内也仅表现为“小白点”（约为1×1像素至6×6像素）。其面积较小，无几何轮廓，缺乏形状特征，且目标的自然背景较复杂，常为天空或海面，导致目标很容易湮没在背景中，使得红外小目标的检测更加困难。因此，有效抑制自然背景可提高小目标检测的准确性和可靠性。基于自然背景在红外图像空间灰度分布上的相关性和连续性，人们研究了大量背景抑制的红外小目标检测方法[1]，如数字滤波方法[2-5]和背景预测方法。背景预测又包括神经网络[6-8]预测和支持向量机[9-10]预测等。数字滤波方法对某个特定环境的目标检测比较有效，但通用性较差；神经网络方法难以选择结构，并且容易陷入局部最优；支持向量机的训练需要求解一个二次规划问题，计算复杂。最小二乘支持向量机[11-12]（Least Squares Support Vector Machine, LS-SVM）是SVM的改进，选用不同的损失函数来避免求解二次规划问题，转而求解一组线性方程，在处理大规模数据时计算速度和内存消耗得到明显改善。另外，在多变环境和复杂噪声中，多模型回归比单模型回归的准确性更高，适应性更强。……