红外传感器具有良好的性能，在现代战场中应用广泛。红外场景下的目标检测与识别问题，一直是图像处理领域的主要方向之一。在红外场景中，云和雾是十分常见的自然现象，由云和雾带来的遮挡问题，也成为红外场景下目标检测与识别的重要挑战。本文针对红外场景中有云、雾遮挡的目标识别问题，进行了深入的研究，针对云和雾对红外场景中目标检测与识别的影响，进行了分析总结，并给出了解决方案。　　首先，由于实时图像并没有先验知识确定云雾的覆盖程度，因此为了定量衡量红外图像中的云雾的干扰的程度，我们提出了衡量标准。根据制定的衡量标准，决定是否对图像做去雾处理，是否对图像中有云区域进行标记，并且给出了去雾的算法以及有云区域标记的算法。　　其次，对于遮挡问题，局部特征点方法相比传统模板匹配的方法，有很大的优势。本文详细研究了常见局部特征点的性能，对比FAST、Harris、SUSAN、SIFT和Symmetry point等局部特征点提取算法，综合考虑各特征点的时间代价、数量、覆盖程度以及重现率等多个指标，最终选择FAST特征点作为局部特征点。另外，本文中特征点匹配的图像为异谱图像，通过研究，发现传统的特征描述，如包括HOG特征，LBP特征，LPQ特征，Symmetric特征以及CNN特征等，其表示能力有限，并不能很好地描述异谱图像。本文总结传统特征工程的经验，并针对具体应用，给出了共线性编码特征，很好地解决了这一问题。同时，本文也探讨了高维特征对特征点匹配的影响，给出了构造高维特征的方法以及参数选择的经验，通过设计实验，证明了高维特征能够显著提升匹配的稳定性。针对高维特征匹配效率低的问题，本文使用了内积量化的方法，对高维特征进行压缩编码，在不损失精度的情况下，大幅提升了匹配效率。而对于错误匹配的问题，本文通过对误匹配点对分布的假设，利用向量场一致性（VFC）算法，有效消除错误的匹配点对.再利用RANSAC算法，进一步去除错误的匹配点对，以VFC和RANSAC组合的方式消除错误匹配，建立仿真图像和实时图像的映射关系，消除云雾遮挡对目标识别的影响。　　然后，本文也研究基于全局信息的遮挡目标识别算法，该方法利用大场景图像的策略和图像中的全局信息进行匹配，解决局部遮挡导致信息损失无法匹配的问题。同时，本文研究了实时图像旋转对匹配精度的影响，并利用低秩矩阵原理，有效矫正图像，避免了特征对旋转敏感的问题。通过特征匹配，确定大场景图像与实时图像的映射关系，快速有效的避免了遮挡的影响。　　最后，我们也对提出的算法在硬件平台上进行了实时实现，通过算法级和代码级的优化，对算法的特征进行优化，对基础操作函数进行加速，从而提升算法效率，降低算法的时间和空间的消耗。不仅从理论上证明了算法的可行性，也从实际应用平台的角度，证明了算法的可实施性。