Con el objetivo de resolver los problemas de detección falsa, detección perdida y capacidad de detección insuficiente de imágenes de vehículos infrarrojos, se propone un algoritmo de detección de objetivos de vehículos infrarrojos basado en el YOLOv5 mejorado. El artículo analiza las características de la imagen de detección de vehículos infrarrojos, y luego discute en detalle el algoritmo YOLOv5 mejorado. El algoritmo utiliza el módulo DenseBlock para aumentar la capacidad de extracción de características superficiales. Se utiliza la capa de convolución Ghost para reemplazar la capa de convolución ordinaria, lo que aumenta el grafo de características redundantes basado en el cálculo lineal, mejora la capacidad de extracción de características de la red y aumenta la cantidad de información de la imagen original. La precisión de detección de toda la red se mejora al agregar un mecanismo de atención de canal y modificar la función de pérdida. Finalmente, se comparan el rendimiento mejorado y el rendimiento mejorado integral de cada módulo con algoritmos comunes. Los resultados experimentales muestran que la precisión de detección del módulo DenseBlock y EIOU agregados solos se mejora en un 2.5% y 3% respectivamente en comparación con el algoritmo YOLOv5 original, y la adición del módulo de convolución Ghost y del módulo SE por sí solos no aumenta significativamente. Al utilizar el módulo EIOU como función de pérdida, se agregan los tres módulos de DenseBlock, convolución Ghost y capa SE al algoritmo YOLOv5 para un análisis comparativo, de los cuales la combinación de DenseBlock y convolución Ghost tiene el mejor efecto. Al agregar los tres módulos al mismo tiempo, la fluctuación del mAP es menor, pudiendo alcanzar el 73.1%, lo que es un 4.6% más alto que el algoritmo YOLOv5 original.