针对红外弱小目标容易在网络迭代过程中损失纹理细节信息，从而导致目标定位和轮廓分割的准确性下降的问题，提出一种基于信息补偿的红外弱小目标检测方法。首先，利用图像特征提取（IFE）模块编码红外源图像的浅层细节及深层语义特征；其次，构建多级信息补偿（MIC）模块通过聚合相邻级别的特征对编码阶段下采样后的特征进行信息补偿；随后，引入全局目标响应（GTR）模块联合特征图的全局上下文信息对卷积局部性的限制进行补偿；最后，构建非对称交叉融合（ACF）模块对浅层和深层特征进行融合，以实现目标解码时纹理信息与位置信息的保留，进而完成对红外弱小目标的检测。在公开的NUAA-SIRST （Nanjing University of Aeronautics and Astronautics-Single-frame InfraRed Small Target）和NUDT-SIRST （National University of Defense Technology-Single-frame InfraRed Small Target）混合数据集上训练和测试的实验结果表明，与UIUNet （U-Net in U-Net Network）、LSPM （Local Similarity Pyramid Modules）和DNANet （Dense Nested Attention Network）等方法相比，所提方法在交并比（IoU）上分别提高了9.2、8.9和5.5个百分点，在F1分数（F1-Score）上分别提高了6.0、5.4和3.1个百分点。以上表明所提方法对红外复杂背景图像中的弱小目标可以实现准确检测和有效分割。

针对红外弱小目标跟踪准确性较低这一问题，提出一种基于孪生网络和Transformer的红外弱小目标跟踪方法。首先，构建多特征提取级联模块分别提取红外弱小目标模板帧和搜索帧的深度特征，并将二者分别与其对应的HOG特征进行维度层面的串联；其次，引入多头注意力机制Transformer进行模板特征图和搜索特征图的互相关操作，生成响应图；最后，通过响应图上采样网络和边界框预测网络，获得目标在图像的中心位置和回归边界框，完成对红外弱小目标的跟踪。在包含13 655张红外图像数据集上的测试结果表明：与KeepTrack跟踪方法相比，成功率提高5.9个百分点，精确率提高1.8个百分点；与TransT（Transformer Tracking）方法相比，成功率提高14.2个百分点，精确率提高14.6个百分点，证明所提方法对复杂背景下的红外弱小目标跟踪准确性更高。