人工智能与机器学习技术正日益广泛地用于检测热红外图像中的掩埋物体。此项任务在很大程度上依赖于训练数据集的质量与多样性，需要能够捕捉现实环境中存在的变化性的数据集。相较于仅使用现实数据，合成图像提供了一种手段，能使算法接触更广泛的条件。本研究评估了三种开源物体检测模型的性能——基于区域的快速卷积神经网络（RCNN）、你只看一次（YOLOv8）以及单发多框检测器——它们分别使用现实数据集、合成数据集以及混合数据集进行训练。现实图像从单一野外场地收集，而合成数据则使用基于物理分析的虚拟环境仿真软件套件生成。模型性能通过交并比和置信度得分进行评估。在场景多样性有限的合成数据集上单独训练的模型，当在来自同一地点的现实图像上进行测试时，会产生较高的误报率和漏报率。当使用结合了现实与合成数据的混合数据集进行训练时，基于区域的快速卷积神经网络（RCNN）和你只看一次（YOLOv8）的检测性能得到显著提升。对红绿蓝直方图的分析揭示了现实图像与合成图像之间像素强度分布的差异，指出了改进合成数据生成的潜在方向。