1.一种基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测方法，其特征在于，包括以下步骤：获得被检物体的红外小目标图像集；

构建基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测网络模型；

将所述被检物体的红外小目标图像集输入通过训练的所述基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测网络模型，实现被检物体的小目标检测。

2.根据权利要求1所述的基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测方法，其特征在于，所述被检物体的红外小目标图像集为：其中， 为k张检测后的红外小目标图像，红外小目标图像集Ih中元素总数为K，红外小目标图像尺寸大小为nch×h×w，nch为红外小目标图像通道，h为红外小目标图像高度，w为红外小目标图像宽度。

3.根据权利要求2所述的基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测方法，其特征在于，所述基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测网络模型包括：带有多尺度空洞卷积金字塔模块的骨干网络、颈部网路和5个不同尺寸的特征检测头；

其中，所述骨干网络包括：卷积层、卷积和SK注意力混合层CBSK、可移动窗口变压器和卷积混合网络层Swin‑Conv和多尺度空洞卷积空间金字塔层。

4.根据权利要求3所述的基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测方法，其特征在于，构建卷积和SK注意力混合层CBSK的方法包括：C×H×W

假设给定输入特征图F∈R ，首先经过一个由卷积、归一化以及激活函数串联的模块，过程表示为：F1(F)＝SiLu(BN(Conv(F)1×1))，

式中，SiLu(·)表示激活函数，BN(·)表示归一化函数，Conv(·)1×1表示卷积核为1的卷积函数，F1(·)表示卷积归一激活函数；

接着，将输出继续经过3个串联的模块，并在串联的模块中加入SK注意力机制，过程表示为：Fk(Fk‑1)＝DK(F1(Fk‑1))+Fk‑1，

式中，K＝2，3，4，SK(·)表示SK注意力函数。

5.根据权利要求3所述的基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测方法，其特征在于，可移动窗口变压器和卷积混合网络层Swin‑Conv包括：从卷积、归一、激活组成的结构层开始，中间部分具有两个串联的Swin‑Transformer模块，最后一个组件是卷积和SK注意力混合层CBSK模块。

6.根据权利要求3所述的基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测方法，其特征在于，所述多尺度空洞卷积空间金字塔模块由五个分支组成；

第一个分支利用残差结构保留浅层信息；

剩下的分支首先通过空洞卷积层提取特征，其中，四个分支中的空洞卷积层的核大小其中一个为1×1，其余为3×3，扩张率分别为1、6、12和18，然后，该特征进入由归一层和激活函数串联组成的结构，最后，通过三个连续的最大池化层和一个残差结构来处理该特征；

将这五个分支的输出拼接获得最终特征。

7.根据权利要求3所述的基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测方法，其特征在于，将所述被检物体的红外小目标图像集输入通过训练的所述基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测网络模型，实现被检物体的小目标检测的方法包括：使用尺寸为nch×h×w的红外小目标图像作为输入进入所述骨干网络，分别通过卷积层、卷积和SK注意力混合层CBSK、可移动窗口变压器和卷积混合网络层Swin‑Conv和多尺度空洞卷积空间金字塔层得到并输出5个尺度不同的特征图 和 尺度分别为

和 其中，所有Swin‑Conv层的个数都设置为1；

将所述5个尺度不同的特征图 和 输入所述颈部网络，经过上采

样、拼接、C2f层、卷积层的处理，得到5个不同尺度的特征图D1，D2，D3，D4和D5，尺度分别为和将所述5个不同尺度的特征图D1，D2，D3，D4和D5输入所述特征检测头，并在特征检测头中设计了5个不同尺度的检测头，实现对大目标和小目标的检测。

8.一种基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测系统，其特征在于，包括：采集模块、构建模块和检测模块；

所述采集模块用于获得被检物体的红外小目标图像集；

所述构建模块用于构建基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测网络模型；

所述检测模块用于将所述被检物体的红外小目标图像集输入通过训练的所述基于Transformer和多尺度空洞卷积空间金字塔的红外小目标检测网络模型，实现被检物体的小目标检测。