目前红外热成像系统已经广泛应用于军事和民用领域,其核心器件是红外焦平面阵列。由于制造工艺和材料的限制导致在图像中出现非均匀性,其中条纹非均匀性尤其明显,严重影响图像质量。传统的条纹非均匀性校正方法使用复杂的图像先验知识,校正后的图像存在伪影及边缘模糊问题。本文使用深度学习方法对条纹非均匀性进行实时校正,并尽可能保留图像中的热细节信息,对提高后续处理精度具有重要的意义。本文将从以下三个方面进行研究:(1)介绍了红外图像条纹非均匀性产生机理及其噪声模型。由于读出电路中的列向参考像元、列向放大器及列向模数转换器之间的参数不同,从而在三者的作用下产生了条纹非均匀性,在红外图像上表现为条纹状深浅不一的噪声;利用综合的条纹噪声模型生成大量的含条纹噪声子图像及对应清晰子图像,用于训练深度残差网络。海量的训练子图像保证了深度残差网络在含真实条纹噪声图像上的泛化能力。(2)通过分析目前的深度学习去噪网络,提出了基于DnCNN改进的条纹非均匀性校正网络,将其在监督学习策略下训练,测试结果表明改进的有效性。在其结构上去除了输入端卷积层后的ReLU激活函数,减少训练过程中模拟条纹信息的损失;在中间层中通过下采样操作和上采样操作增大网络感受野和降低计算量,使网络充分利用图像的上下文信息;在下采样操作和上采样操作之间引入了跳跃连接,补偿图像下采样过程中丢失的信息,同时融合了网络不同感受野下提取的特征;在网络输出端增加卷积层,提高残差图像的预测能力;以对称的方式增加和减少滤波器数量,使网络能够学习到更丰富的残差信息。(3)在损失函数上,引入了对抗损失,使用半监督学习策略训练所改进网络,使重建图像更接近清晰图像。优化网络输出的重建图像与其对应清晰图像之间的像素级损失函数,如均方误差或L1,因其主要关注像素级的差异,容易使网络平滑图像。为了更好地从像素级损失中提高校正效果,引入了判别器子网络,与所改进的网络一起组成生成对抗神经网络。所改进网络充当生成器角色,其输出的重建图像更好地保留了热细节信息。本文所提出的方法在含真实条纹噪声红外图像上进行测试实验,并与最近的条纹非均匀性校正方法在定性、定量和运行时间方面进行比较,结果表明所提出的方法具有无伪影的实时校正效果、良好的细节保留、无需调节特定参数等优点。