在夜间的黑暗场景中,普通的监控摄像头拍摄到的人脸图像一般清晰度差并且很昏暗,而近红外摄像头可以在夜间捕获到清晰度高的近红外人脸,因此近红外成像技术在监控系统里有广阔的应用前景。然而现在很多应用程序里预注册的人脸是可见光下的人脸,这就需要将摄像头拍摄到的近红外人脸与照片库中的可见光人脸进行匹配识别,从而确定近红外人脸图像的身份,这对维护社会治安、协助警方破案具有重要意义。为了更好地利用红外成像的优势,夜间在远距离时用热红外摄像头来检测是否有人经过或靠近,有利于提前预警;在近距离时用近红外摄像头拍摄清晰人脸并进行识别,有利于锁定嫌疑人。本文针对红外成像这两方面的应用分别做了热红外图像的超分辨率重建和近红外与可见光跨模态人脸识别两方面的研究工作,具体研究内容如下:（1）热红外图像在成像或传输过程中,受到环境、元器件性能等诸多因素的影响,会出现图像分辨率偏低的情况。本文为了提高热红外图像的分辨率,提出了一种基于通道注意力与迁移学习的热红外图像超分辨率重建方法。该方法首先设计了一个深度卷积神经网络,融入通道注意力机制来增强网络的学习能力,并且使用残差学习方式来加速网络的收敛。然后考虑到高质量的热红外图像难以采集、数目不足的问题,将网络的训练分成两步,第一步用自然图像来预训练网络模型,第二步利用迁移学习的知识,用较少数量的高质量热红外图像对预训练的模型进行微调。最后用多尺度细节滤波来进一步提升重建后的热红外图像的边缘清晰度和视觉效果。实验结果表明本文所提方法在提升热红外图像分辨率上有明显效果。（2）为了提高近红外与可见光跨模态人脸识别的准确率,本文设计了一种基于模态差异分解的近红外与可见光跨模态人脸识别方法,首先取可见光图像HSV空间的明度分量（V分量）作为一种辅助模态来降低网络学习的难度。明度分量保留了可见光图像的结构信息,又近似于近红外模态的颜色信息,这样就将网络学习近红外模态和可见光模态之间的巨大差异分解成学习两个较小的差异。其次我们将三个模态的数据输入到权重共享网络中,并在本文设计的跨模态分割差异损失和模态内差异损失的联合指导下进行训练。实验结果表明本文所提方法在提高近红外与可见光跨模态人脸识别准确率上有明显效果。