军事目标检测技术属于军事领域的基础技术，对于目标跟踪、导弹导航、精准打击都具有重要意义。因此国内外的学者对这个方面也开展了一系列的研究工作。国外最先开展此项研究工作的是美国。1997 年美国国防项目署[5]联合多所高校和研究院开展了视频检测工程，旨在实现车辆目标的自动化检测。同年，AnilK.Jain提出了在复杂背景下使用分割的方法进行目标检测，将其运用于军事侦察相关领域。2001 年，Nelson提出了一种利用模糊推理系统进行目标检测和分类的独特方法，用于坦克军事车辆识别。2005 年，Dong-San Jun（韩国）提出了一种针对电荷耦合器件(Charge Coupled Device ，简称 CCD)图像的自动目标检测(Automatic Target Detection，简称 ATD)算法，用于检测地对地场景下的主战坦克和装甲运兵车等目标。该算法在白天的质量优于前视红外(Forward LookingInfrared，简称 FLIR)图像。对 CCD 图像的各种光照条件具有较强的鲁棒性，节省了计算时间，具有良好的检测性能。2016 年，Ve Neagoe提出了一种基于神经网络的合成孔径雷达(Synthetic Aperture Radar，简称 SAR)航空图像目标自动识别方法，总成功率为 97.36%。2019 年，Widodo Budiharto（印度尼西亚）提出了一种基于计算机视觉的具有目标检测和跟踪功能的坦克军用机器人原型，并对其进行了炮塔射击仿真。
国内针对军事车辆目标检测也展开了一系列的研究，1996 年，薛东辉等将分形几何学用于红外图像分割，实现了红外坦克目标的准确分割。2004 年，姜锦锋[12]通过构建多分别率高斯梯度算子，提出了一种快速的自动化目标检测方法。2012 年，聂建英等对多尺度装甲目标特性进行了研究，提出了一种用毫米波识别隐身目标的表征方法。2015 年，张音哲提出了空对地多目标自主检测与跟踪方法。2018 年，孙皓泽等人针对复杂场景下坦克装甲目标检测任务，提出了一种基于自顶向下聚合机制和分层尺度优化的目标检测方法。同年，王全东等人针对 Faster R-CNN 算法在小尺度坦克装甲车辆目标检测方面存在的问题,提出了一种改进算法，mAP 可达 93.3%，但是检测速度最快为 10FPS。2020 年，陈科名基于 SSD 算法，针对小目标问题，采用 ResNet18 代替 VGG16，同时改进边框尺寸，提升检测速度为 15FPS。2021 年，舒朗等人[17]基于 YOLOv5 算法，针对尺度变化大、场景多变、可用特征不足的红外图像，提出了一种 Dende-Yolov5 的网络结构，精度和召回率都有所提升。从整个研究的历程也可以看出，目标检测越来越依赖于深度学习算法的提升。同时也表明本文采取的基于 YOLOv5 的坦克装甲车辆目标检测算法是大势所趋。
