1.一种基于改进YOLOv5s的红外弱小目标检测方法，其特征在于，包括以下步骤：A、构建深度神经网络结构，深度神经网络结构具体如下：

Backbone网络、Neck网络、YOLO检测头；

其中，Backbone网络包括依次连接的CBS模块、CBS模块、CSP1_1模块、CBS模块、CSP1_2模块、CBS模块、CSP1_3模块、CBS模块、CSP_BT模块、SPPF模块；

B、对深度神经网络进行训练，得到训练好的深度神经网络；

C、基于训练好的深度神经网络，红外图像输入Backbone网络中，依次经过该网络中的各个模块处理，其中，CSP1_2模块、CSP1_3模块、SPPF模块的处理结果分别输入Neck网络中进行处理；

D、Neck网络处理得到三个大小不同的特征图，将其输入YOLO检测头中，经YOLO检测头预测处理后得到最终结果；

所述的步骤C中，neck网络的处理过程如下：

Backbone网络中的SPPF模块的处理结果经过Coord Conv卷积处理后，上采样与Backbone网络中的CSP1_3模块处理结果尺寸一致后，与Backbone网络中的CSP1_3模块处理结果共同经过Concat在通道维度拼接；然后依次经过CSP2_1模块、Coord Conv卷积处理，得到处理结果a，处理结果a经上采样与Backbone网络中的CSP1_2模块处理结果尺寸一致后，与Backbone网络中的CSP1_2模块处理结果共同经过Concat在通道维度拼接，然后经过CSP2_1模块处理，得到处理结果b，处理结果b分为两路，一路经Coord Conv卷积后输入yolo检测头模块，另一路经CBS模块处理后，与处理结果a共同经Concat在通道维度拼接，然后经过CSP2_1模块处理，得到处理结果c，处理结果c分为两路，一路经Coord Conv卷积后输入yolo检测头模块，另一路经CBS模块处理后与SPPF模块的处理结果经过Coord Conv卷积处理的结果通过经Concat在通道维度拼接，然后经过CSP2_1模块处理得到处理结果d，处理结果d经Coord Conv卷积处理后输入yolo检测头模块。

2.如权利要求1所述的基于改进YOLOv5s的红外弱小目标检测方法，其特征在于：所述的CSP2_1模块中处理过程如下：输入结果分为两路，一路依次经过两个CBS模块处理后，输入Concat函数中；另一路经过CBS模块处理后输入Concat函数中；Concat在通道维度拼接结果经过CBS模块处理后获得输出结果。

3.如权利要求1所述的基于改进YOLOv5s的红外弱小目标检测方法，其特征在于：所述的CSP1_1模块、CSP1_2模块、CSP1_3模块通用表达式为CSP1_n，其中n代表内部模块重复次数的重复次数；

CSP1_n中处理过程如下：输入结果分为两路，一路经过CBS模块处理后，然后经过res_n模块处理后，输入Concat函数中；另一路经过CBS模块处理后输入Concat函数中；Concat在通道维度拼接结果经过CBS模块处理后获得输出结果。

4.如权利要求3所述的基于改进YOLOv5s的红外弱小目标检测方法，其特征在于：所述的res_n模块中处理过程如下：输入结果依次经过两个CBS模块处理后，再与输入结果相加后得到输出结果。

5.如权利要求1所述的基于改进YOLOv5s的红外弱小目标检测方法，其特征在于：所述的CSP_BT模块中的处理过程如下：输入结果分为两路，一路依次经过CBS模块、BoTR模块处理后输入Concat函数中，另一路经CBS模块后输入Concat函数中；Concat在通道维度拼接结果经过CBS模块处理后获得输出结果。

6.如权利要求5所述的基于改进YOLOv5s的红外弱小目标检测方法，其特征在于：所述的BoTR模块中的处理过程如下：输入结果依次经过CBS模块、MHSA模块处理后，再与输入结果相加后获得输出结果。

7.如权利要求1‑6任何一项所述的基于改进YOLOv5s的红外弱小目标检测方法，其特征在于：所述的CBS模块包括依次连接的卷积、BN归一化函数、SiLU激活函数。

8.如权利要求1所述的基于改进YOLOv5s的红外弱小目标检测方法，其特征在于：所述的步骤B，深度神经网络的训练过程如下：

随机选取70%的样本用于训练模型，10%的样本用于测试，20%的样本用于验证，其中样本分辨率为256，采用NWD损失函数作为定位损失训练模型，用训练的网络模型对测试样本进行预测，实现对红外弱小目标的自动检测。

9.如权利要求8所述的基于改进YOLOv5s的红外弱小目标检测方法，其特征在于：所述的NWD损失函数为：

           ⑴

                     ⑵

其中， 表示预测框的高斯分布， 表示真实框的高斯分布； 表示 和

两个框的高斯分布之间的Wasserstein距离； 表示将两个高斯分布之间的Wasserstein距离进行归一化处理后的指数形式，用于表示框的高斯分布的相似度；C代表常数； 作为定位损失函数的公式。